计量经济学：领先一步的预测
使用第2条所附的KotirOut指标，我在D1采样
DATE,kotir.
2011.08.01 00:00,1.4361
2011.08.02 00:00,1.4254
2011.08.03 00:00,1.4188
2011.08.04 00:00,1.4361
2011.08.05 00:00,1.4092
2011.08.08 00:00,1.4368
2011.08.09 00:00,1.4164
2011.08.10 00:00,1.4392
2011.08.11 00:00,1.4161
2011.08.12 00:00,1.4238
.
.
.
11.11.01 00:00,1.3842
2011.11.02 00:00,1.3662
2011.11.03 00:00,1.3725
2011.11.04 00:00,1.3824
2011.11.06 00:00,1.3828
2011.11.07 00:00,1.3816
2011.11.08 00:00,1.3766
2011.11.09 00:00,1.383
总共有76个观察点。最后日期是当前日期。我们将得到明天（11月10日）的天气预报。
回归方程。
估算公式。
=========================
kotir = c(1)*hp1(-1) + c(2)*hp1_d(-1) + c(3)*hp1_d(-2)
代用系数。
=========================
kotir = 0.999499248852*hp1(-1) - 0.0151635132798*hp1_d(-1) - 0.176713388909*hp1_d(-2)
我们在EViews中运行MOD2_T程序并得到结果。
所以：明天的预测从00:00 hp 1.3798
但有一些明显的缺陷：预测误差为97点。一个样本运行给出了不好的结果：利润系数=0.89
结果是令人厌恶的，我们必须寻找原因。
让我们看看回归估计的结果。
好吧。这不需要太多的挖掘。后两个系数等于零的概率非常高，即我们不能拒绝后两个系数等于零的假设。
这个回归方程是不好的，它需要被改变。顺便说一下，它是基于Hedrick-Prescott指标的。讨论这种模式的盈利能力是没有意义的。
我正在等待建议。
我认为我们需要先找出f(x)的最小要求参数。结果可能是，只有当前时间框架的价格是不够的。我们可以尝试另一种方法，让我们重写你的方程式f(x)=a*X1+b*X2+c*X3....现在我们将利用遗传学，通过优化系数a,b,c来找到最大值。
在我看来，你的方法不是很好。尝试采取图表中明确的平坦部分。看来，这个地区的价格接近于正态分布的随机变量，我不相信你能写出下一个鹰或尾巴的方程式。
faa1947:
Итак первый прогноз.
顺便说一下，它是基于Hedrick-Prescott指标的。讨论这种模式的盈利能力是没有意义的。
我在等待一个建议。
你很奇怪地没有办法否定这个X-P...即使是毫无意义的....你像被催眠了一样抓着这个H-P....而且已经持续了很长时间......
这里有一个建议：如果下一个模型不起作用，就把它扔进垃圾桶--不要怜悯或后悔。考虑其他选择 -- 这将使你有机会看到相似和不同之处，看到微妙的细微差别。
我从经验中知道，我可以告诉你，将来你可能会回到一些以前被抛弃的模型中去 -- 但是从一个新的角度。
第2条中的TS的实质是什么？是否预测到价格会返回到平滑值？
外推的平滑化+噪音
我认为我们需要先找出f(x)的最小要求参数。结果可能是，只有当前时间框架的价格是不够的。我们可以尝试另一种方法，让我们重写你的方程式f(x)=a*X1+b*X2+c*X3....现在我们将利用遗传学，通过优化系数a,b,c来找到最大值。
在我看来，你的方法不是很好。尝试采取图表中明确的平坦部分。似乎这部分的价格接近于正态分布的随机变量，我不认为有可能写出下一个头或尾的方程式。
首先需要找到必要的最小参数f(x)。结果可能是，只有当前时间框架的价格是不够的。
用我的话说：变量丢失。应调查是否有缺失的变量。我将在下面进行。
在我看来，你的方法不是很好。试着从一个明显的平坦的图表中抽取一段
这个想法是不同的：任何部分。拟合回归，然后对下一个蜡烛进行预测。一个新的蜡烛 来了，我们再次调整（转移窗口），再次预测下一个蜡烛，等等。
你疯了吗？ 你看了新闻吗？(只取笑人)。买! (最多3650)
你很奇怪地没有办法放弃这个X-P...尽管它没有任何意义....你像被催眠了一样紧紧抓住这个H-P....而且这已经持续了很长时间...
霍德利特与此无关。
我们使用的模型有一个想法：把确定性的成分分离出来，并在其中加入噪音
还有其他想法，你呢？公寓里有煤气吗？还是你有想法，请，我给你看计算结果。
前面预测的结果。
预测为短-有短-预测成功！
标题类似的第2条 已经发表。这篇文章是另一篇文章#1的延续。这些文章是对计量经济学的简要概述。
利用这些文章，我向论坛成员提出以下建议：集体努力创建计量经济学模型，提前一步预测货币对的报价。一个步骤的大小与时间框架相对应，第2条中描述的专家顾问与之相连。
我将采用第2条中提出的模型，进行两次预测：关于H1和D1。我们将看到结果。然后，我希望集体会对这个模型或他们自己的模型提出改进建议。我将拿别人的模型做一个预测，并把结果公布出来。我已经准备好回答问题，并对帖子进行评论，因为我正在进行中。
该模型是一个任意的函数（回归），形式为y = f(x1, x2, .... xn)。函数y是，例如，欧元兑美元对或任何其他货币对。 xi 是函数参数（自变量、回归者）--终端中可用的任何其他报价。例如，记录。
eurusd eurusd(-1) gbrusd(-1)
意味着我们计算其他两个货币对的欧元兑美元的价值，我们取这些货币对以前的价值与函数（欧元兑美元因变量）的关系。很明显，我们可以在一个货币对上，在其滞后值上建立一个模型--这是经典的TA方法，我们也可以建立多货币模型--与TA相比，在复杂性上没有区别。但我们将看到相关性的全部光辉，以及它在交易中的价值。
本文附有MQL4和EViews的文件。