计量经济学：为什么需要协整？ - 页 26

新评论
 
alsu:

(a) t统计量假设数据具有正态分布，只适用于这种数据，否则会扭曲结果。

b) matstat中用100%除以t标准值的新方向是什么，请指教。

a) 实际上是z-统计学

b) 它是用来做种子的，以快速估计百分比的误差。

但这不是问题所在。

问题出在根源上。我所读到的一切，建立自己说，其可预测性并不来自于对 "正确 "的要求。这就是我一直想说的。协整被输入物处于一个静止序列的事实所吸引。但可预测性的问题仍然存在。

 
faa1947:

a）实际上是一个Z统计量

所以假设是渐进正态而不是学生正态，这也是远远不能确定的。

b) 这是为了让种子快速估计百分比的误差

但这不是问题所在。

这是问题的根源所在。我所读到的一切，建立自己说，对 "正确 "的要求并不是来自于它的可预测性。这就是我一直想说的。协整被输入物处于一个静止序列的事实所吸引。但可预测性的问题仍然存在。

而最重要的是协整本身的可预测性问题。这就是我建议我们努力的方向。
 
alsu:

被假定为渐进正态，而不是学生正态，这也是很不确定的。

而最重要的是协整本身的可预测性问题。这就是我建议我们努力的方向。
开始了。这将需要一些时间
 
alsu:

这就是我建议我们努力的方向。

以下是结果。拿到了H1 6736条。图片显示的是前500条。118条（周）的窗口。移位一栏。

协整回归

eurusd = c(1)*gbpusd + c(2) + c(3) *@trend

对的区别

进入--从下往上穿越

出口--过零点

不考虑上面的条目--得到的是太复杂的图纸。

在这个部门，我们已经得到了交易

以点为单位的交易

我对协整回归中的系数с(i)的行为非常好奇

我想听听你的意见。

 
faa1947:

协整回归

eurusd = c(1)*gbpusd + c(2) + c(3) *@trend

你已经多次引用了你用来估计协整的各种方程式。当你证明你为什么在回归中包括确定性的趋势成分时，我似乎错过了重点。你能再解释一下吗？

据我所知，只有当回归者包含这样的成分时，才应该包括确定性的成分。在这种情况下，你可以正确地使用t统计学的临界值，比如说，从MacKinnon的表格中。我非常怀疑eurusd、gbpusd或它们的一些线性组合存在确定性的线性趋势。

我们知道，当协整关系真正发生时--回归系数估计值（长期模型）具有超稳态的特性。按照你的结果，eurusd和gbpusd的协整关系是存在的。从这两个命题出发，我建议你在两个不重叠的数据区评估你提出的回归比率（一定要用相同的预测因子），然后通过切比雪夫不等式确保这些数据区的C（3）比率估计值在统计上没有明显的差异。如果是这样的话，我们不应该尝试交易回归残差平均值，而是交易确定性的趋势成分。如果C(3)的估计值会有很大差异--我建议修改要估计的回归结构。

 
anonymous:


据我所知，只有当回归者包含这样的成分时，才应该包括确定性的成分。在这种情况下，可以正确使用t统计的临界值，比如说，从MacKinnon的表格中。我非常怀疑eurusd、gbpusd或它们的一些线性组合存在确定性的线性趋势。

我们知道，当协整关系真正发生时--回归系数估计值（长期模型）具有超稳态的特性。按照你的结果，eurusd和gbpusd的协整关系是存在的。从这两个命题出发，我建议你在两个不重叠的数据区评估你提出的回归比率（一定要用相同的预测因子），然后通过切比雪夫不等式确保这些数据区的C（3）比率估计值在统计上没有明显的差异。如果是这样的话，我们不应该尝试交易回归残差平均值，而是交易确定性的趋势成分。如果C(3)的系数估计值有明显的不同--我会建议修改被估计的回归结构。

你已经多次引用了你用来估计协整的不同方程式。当你证明你为什么在回归中包括确定性的趋势成分时，我似乎错过了重点。你能再解释一下吗？

这就是问题所在，我不能要求什么。

就我而言，比较过去不同的两个情节没有任何作用。真正的交易 - 向前移动一个柱子，这个新的情节相差一个柱子，将给出新的系数。 系数с(1)和с(2)的值如上所示--它们一直在变化，而且变化幅度很大。下面是系数c(3)的数值

下面是对协整方程的估计（不是回归）。

因变量：欧元兑美元

方法：动态最小二乘法（DOLS）。

日期: 04/28/12 时间: 14:49

样本：118 6736

包括观察：6619

协整方程的确定性：C @TREND

自动领先和滞后规格（基于AIC的领先=34，滞后=34

准则，最大=34)

长期方差估计值（Bartlett核，Newey-West固定带宽=）。

11.0000)

没有对标准误差和协方差进行d.f.调整

变量 系数 Std.误差 t-统计学 概率。

gbpusd 1.477877 0.039584 37.33545 0.0000

c -0.983188 0.064891 -15.15143 0.0000

@trend 9.03e-07 6.68e-07 1.352241 0.1763

t-Statistic和其相应的概率说，整个 样本（118-6736条）的趋势可以忽略不计。这并不令人惊讶，因为大样本中很可能没有趋势。

让我们取一个窗口大小的样本=118条。画面是不同的。

因变量：欧元兑美元

方法：动态最小二乘法（DOLS）。

日期：04/28/12 时间：15:00

样本：118 236

包括观察：119

协整方程的确定性：C @TREND

自动领先和滞后规范（基于AIC的领先=1，滞后=0

准则，最大=12)

长期方差估计值（Bartlett核，Newey-West固定带宽=）。

5.0000)

没有对标准误差和协方差进行d.f.调整

变量 系数 Std.误差 t-统计学 概率。

gbpusd 0.410017 0.131928 3.107892 0.0024

c 0.652893 0.209209 3.120769 0.0023

@trend 0.000202 1.90e-05 10.59269 0.0000

似乎有一个趋势，但t-Statistic 值太低，这表明估计系数有巨大的误差。

由此我们得出结论，应该始终进行去趋势处理。但这不是一个线性趋势。我对趋势方程有一定的限制。例如，你可以使用Hodrick-Prescott过滤器。

下面是包括两个决定性趋势的结果

因变量：欧元兑美元

方法：动态最小二乘法（DOLS）。

日期: 04/28/12 时间: 15:06

样本：118,236

包括观察：119

协整方程的确定性： HP_EUR HP_GBP

自动领先和滞后规范（基于AIC的领先=0和滞后=0

准则，最大=12)

长期方差估计值（Bartlett核，Newey-West固定带宽=）。

5.0000)

没有对标准误差和协方差进行d.f.调整

变量 系数 Std.误差 t-统计学 概率。

gbpusd 0.604971 0.094954 6.371191 0.0000

hp_eur 1.002990 0.028777 34.85379 0.0000

hp_gbp -0.607497 0.096679 -6.283619 0.0000

比以前的案子体面多了。最主要的是，这个东西在移位一栏时更稳定。

 

我做到了。几乎。

配对交易。固定批次=1。H1上的1036条。

引用图表

没有价差的平衡。

左边 - 增量，即0.8 = 8000点

贸易结果图表

两个货币对的总统计数据。

利润.因素

[1] 6.210877

>利润.加

[1] 1.1192 = * 10000 = 11192点

>利润.减去

[1] 0.1802 = *10000 = 1802点

>SD(利润) - SKO

[1] 0.001738898 * 10000 = 17点

> summary(profit)

闵行区。......1st Qu....中位数 平均值 .......第3个Qu.最大。

-0.0047000 0.0000000 0.0006000 0.0009064 0.0015000 0.0192000

从最后一行来看：最大跌幅（点）=47点。最大获利交易=192点。

图书馆被用来建立交易系统。

library(mFilter)

library(tsDyn)

library(lmtest)

library(fUnitRoots)

library(zoo)

 

移到了这里。

这里是另一个部分，条数 是H1的2.5倍。

平衡的最后1000条

而这是最后的统计数字。

>利润.因素

[1] 6.843426

>利润.加

[1] 2.8366

>利润.减去

[1] 0.4145

> sd(利润)

[1] 0.001760334

> summary(profit)

闵行区。1st Qu.中位数 平均数 第三季度最大。

-0.004000 0.000100 0.000700 0.001054 0.001700 0.017300

请注意，利润系数和缩减没有什么变化。

 
等待具体的结果，与（18）进行比较。
 
yosuf:
等待具体的结果，与（18）进行比较。
即使是你所发布的内容也是令人窒息的。
1...19202122232425262728
新评论