基于宏观经济指标的市场预测 - 页 2

新评论
 
一个有趣的研究课题。对这个问题的思考，我得出的结论是需要动态地分析宏观经济数据--在我看来，仅仅说失业救济金 增加是不够的，因为这可能是由于季节性的波动，而且是短期的--市场可能会也可能不会做出反应，这又取决于市场上普遍存在的趋势。因此，也许可以尝试从扭转趋势的能力方面来调查指标的强度？例如采取人字形，或者在图表上找出趋势逆转和修正的点，并在突破前三天内寻找宏观经济指标的逆转，并收集一组这样的指标，分析这些指标所显示的内容，然后寻找模式。不是每个指标都会成为市场反转的原因--潜力、市场趋势和过去时期的指标都很重要，还有其他经济指标的整体性。
 
-Aleks-:
这是一个有趣的调查对象。思考这个问题后，我得出结论，需要在动态的基础上分析宏观经济数据--在我看来，仅仅说失业救济金 增加是不够的，因为这可能是由于季节性波动造成的，而且是短期的--市场可能有反应，也可能没有反应，同样取决于市场上的趋势。因此，也许可以尝试从扭转趋势的能力方面来调查指标的强度？例如采取人字形，或者在图表上找出趋势逆转和修正的点，并在突破前三天内寻找宏观经济指标的逆转，并收集一组这样的指标，分析这些指标所显示的内容，然后寻找模式。不是每个指标都会成为市场反转的原因--潜力、市场趋势和过去时期的指标都很重要，还有其他经济指标的整体性。

这是一个相当有趣的想法。也就是说，只关注趋势突破，并确定影响这些突破的关键指标。

我一直在思考关于离群值的问题。他们是否需要被忽视，或者反过来说，你应该更加关注他们。经典的回归理论告诉我们要忽略它们。但有时在我看来，价格在趋势周围的小波动是一种噪音，而经典的回归法则对它的重视程度最高。趋势的急剧转折（异常值）可能是一个更重要的信号。但是，我所有试图建立一个更加关注离群值的模型（例如选择u>1）的尝试都导致了更高的预测均方根误差。对异常值进行平滑处理导致预测误差降低。

 
faa1947:

因此，你必须手动查看整个输入变量列表，并凭直觉或基于其他考虑决定 "这个输入变量可能会影响，这个可能不会"。

...手动选择一些列表，然后通过一个算法过滤，得到的列表。而这样一个清单的价值是根本性的：使用这样一组 "影响 "输入的模型（使用3种不同类型的模型）不具有过度学习的属性，而这是主要的伏笔。过度拟合才是使用 "噪音 "输入数据的主要后果。


历史上的样本内情节是否在样本外情节中进行了抽样和检验？如果你在整个图上对预测因素进行抽样，然后在同一图的一部分上计算样本外误差，这就是在看未来。
 
gpwr:
你是否在历史的样本内图上采样，并在样本外图上测试？如果你在整个图中选择预测者，然后在同一图的一部分中计算样本外误差，这就是在看未来。

更加艰难。

以极大的兴趣关注这个话题。

鉴于-Aleks- 的帖子，不清楚你要预测什么：方向还是幅度？如果是 "方向"，那就是分类模型，如果是 "幅度"，那就是回归模型，而且他们有不同的ARIMA和ARCH问题。用微分法去趋势并不能完全解决这个问题，在宏观经济学中，所有的季节性都是混乱的....。

选择预测器的 "Aleks"的想法非常有趣。一般来说，在第一个阶段，我会做两个初步的步骤。

1.通过-Aleks- 选择一些相当大的独立变量集。

2.构建了一个回归，并放弃了所有系数不显著的变量。

最后一步真的不容易。只要独立变量之间没有相关性，一切都如我所写。而且相关度总是在0.7以上，被丢弃的预测因子列表取决于它的顺序。

之后，人们可以看看它，并决定下一步该怎么做。

 
avtomat:

对静止性的要求是非常僵硬的，完全没有道理。

.

而 "非稳态 "模型也能正常工作；)

gpwr:
你可以对任何模型这样说，不仅是回归，还有神经模型、ARMA和其他模型。如果输入和输出之间没有关系，那么任何模型都会产生一个预测，只是不准确。
关于从哪里开始了解静止性、ARMA、神经模型的任何建议。我一直想探索这个方向，已经有很长一段时间了。很多来源，很难从头开始了解这一切。
 
faa1947:

输入的数据量大或小都是相对的。

在我看来，你需要逐一检查数据，确定相关的数据，然后在你的EA中使用它们。只有当你开始优化数据值时，随机点击才有可能。这可能就是为什么你应该特别注意优化中的搜索范围。
 
gpwr:

这是一个相当有趣的想法。也就是说，只关注趋势突破，并确定影响这些突破的关键指标。

我一直在思考关于离群值的问题。他们是否需要被忽视，或者反过来说，你应该更加关注他们。经典的回归理论告诉我们要忽略它们。但有时在我看来，价格在趋势周围的小波动是一种噪音，而经典的回归法却给予它们最大的重要性。趋势的急剧转折（异常值）可能是一个更重要的信号。但是，我所有试图建立一个更加关注离群值的模型（例如选择u>1）的尝试都导致了更高的预测均方根误差。对异常值进行平滑处理导致预测误差降低。

阐述一下这个想法，我们应该根据不同指标的发布频率来划分--可能指标发布得越稀少，对市场的影响就越长--这需要检验。就个人而言，我发现在视觉上和随时间变化的动态中更容易感知信息--为了方便，需要将指标以图表的形式转移到MT（我的梦想），但这些指标应该是同步的--比如说新闻每月发布一次，那么较低的时间框架呢？作为一种选择--根据线性函数，用从一个指标到另一个指标的条形图来填充它们--这样，我们将清楚地看到MT的运动矢量。知道了矢量，我们就可以分析运动矢量和它的变化--相对于符号价格矢量的突破，Z字形的突破时间。
因此，我们可以考虑滞后性--并计算经济指标退出时的价格突破的百分比偏差。仍有一些想法，但其使用的明显性可以当场理解。
一般来说，很多经济数据都是相对于前一个月或前一年而言的，这在图形显示 中也应该被考虑进去。
另一个想法--可能影响趋势变化的不是数据本身，而是它与预期数据或过去动态的偏差--在这里你也可以检查--比较指数运动的过去动态与它的变化（沿着矢量的强势变化或反对--至少使用SMA），看看价格运动矢量的变化与滞后。
我不确定所有这些工作可以由一个人完成--你需要一个明确的行动计划和分析中间结果的方法--这可能是一生的工作，这将回答过去市场的经济表现是如何被影响的问题...然而，制定的方法将使你能够在当前的市场运动中寻找模式。
 
-Aleks-:
在阐述这个想法时，我们应该根据不同指标的发布频率来划分--可能指标越是稀少，对市场的影响就越长。

不，对美国最有影响的是UR和FOMC会议的百分比率。它们是每月一次。

如果失业 数据是正式的，那么美联储会议记录在数字上就根本不可能是正式的。

否则就会像两个手指一样......

 

对于这种数量的变量，65个观测值是非常少的。

至少i*10个观察值+15-20%的正向测试。

 
Demi:

不，对美国最有影响的是UR和FOMC会议的百分比率。它们是每月一次。

如果失业 数据是正式的，那么美联储会议记录在数字上就根本不可能是正式的。

否则就会像两个手指一样......

这些会议记录包含经济数据，我知道它们可以得到。如果没有，你必须以三种方式估计这些会议--+1/-1/0--估计的信息可以从媒体上获取，作为一种选择。
123456789...61
新评论