Marktprognose basierend auf makroökonomischen Indikatoren - Seite 2
Sie verpassen Handelsmöglichkeiten:
- Freie Handelsapplikationen
- Über 8.000 Signale zum Kopieren
- Wirtschaftsnachrichten für die Lage an den Finanzmärkte
Registrierung
Einloggen
Sie stimmen der Website-Richtlinie und den Nutzungsbedingungen zu.
Wenn Sie kein Benutzerkonto haben, registrieren Sie sich
Dies ist ein interessantes Objekt, das es zu untersuchen gilt. Bei meinen Überlegungen zu diesem Thema bin ich zu dem Schluss gekommen, dass makroökonomische Daten dynamisch analysiert werden müssen. Meiner Meinung nach reicht es nicht aus, zu sagen, dass die Anträge auf Arbeitslosenunterstützung gestiegen sind, da dies auf saisonale Schwankungen zurückzuführen sein kann und kurzfristig ist - der Markt kann darauf reagieren oder auch nicht, was wiederum vom vorherrschenden Markttrend abhängt. Vielleicht sollten Sie also versuchen, die Stärke der Indikatoren im Hinblick auf ihre Fähigkeit, einen Trend umzukehren, zu untersuchen? Nehmen Sie zum Beispiel einen Zickzackkurs, oder identifizieren Sie die Punkte der Trendumkehr und Korrektur auf dem Diagramm und suchen Sie nach einer Umkehr der makroökonomischen Indikatoren innerhalb von drei Tagen vor dem Bruch, und das Sammeln einer Gruppe von solchen Indikatoren zu analysieren, was diese Indikatoren zeigen und dann nach Mustern suchen. Nicht jeder Indikator wird der Grund für die Marktumkehr sein - das Potenzial, der Markttrend und der Indikator für die vergangenen Perioden sind wichtig, ebenso wie die Gesamtheit der anderen Wirtschaftsindikatoren.
Das ist eine sehr interessante Idee. Das heißt, dass Sie sich nur auf Trendbrüche konzentrieren und die Schlüsselindikatoren ermitteln, die diese Brüche beeinflussen.
Ich habe viel über Ausreißer nachgedacht. Müssen sie ignoriert werden, oder umgekehrt, sollten Sie ihnen mehr Aufmerksamkeit schenken. Die klassische Regressionstheorie lehrt, sie zu ignorieren. Aber manchmal scheint es mir, dass kleine Preisschwankungen um einen Trend herum ein Rauschen sind, während die klassische Regression ihnen die größte Bedeutung beimisst. Steile Trendwenden (Ausreißer) sind wahrscheinlich ein wichtigeres Signal. Aber alle meine Versuche, ein Modell zu erstellen, das Ausreißern mehr Aufmerksamkeit schenkt (z. B. durch die Wahl von u>1), führten zu einem höheren mittleren quadratischen Fehler der Vorhersage. Die Glättung von Ausreißern führte zu einem geringeren Vorhersagefehler.
Daher müssen Sie sich die gesamte Liste der Eingabevariablen manuell ansehen und intuitiv oder auf der Grundlage anderer Überlegungen entscheiden, dass "diese Eingabevariable wahrscheinlich Auswirkungen hat und diese wahrscheinlich nicht".
...Manuelle Auswahl einer Liste, dann Filterung durch einen Algorithmus und Erhalt der Liste. Und der Wert einer solchen Liste ist von grundlegender Bedeutung: Modelle, die einen solchen Satz von "beeinflussenden" Eingaben (unter Verwendung von 3 verschiedenen Arten von Modellen) verwenden , haben NICHT die Eigenschaft des Überlernens, was der Haupthinterhalt ist. Die Hauptfolge der Verwendung von "verrauschten" Eingabedaten ist die Überanpassung.
Haben Sie eine Stichprobe auf dem In-Sample-Plot der Geschichte genommen und auf dem Out-of-Sample-Plot getestet? Wenn Sie Prädiktoren im gesamten Diagramm auswählen und dann den Fehler außerhalb der Stichprobe in einem Teil desselben Diagramms berechnen, ist das ein Blick in die Zukunft.
Noch härter.
Ich verfolge das Thema mit großem Interesse.
Angesichts von Aleks Beitrag ist nicht klar, was Sie vorhersagen wollen: Richtung oder Ausmaß? Wenn "Richtung", dann sind es Klassifikationsmodelle, und wenn "Größe", dann sind es Regressionsmodelle, und sie haben Probleme mit verschiedenen ARIMA und ARCH. Die Ableitung mit Differenzierung löst das Problem nicht vollständig, denn in der Makroökonomie ist die Saisonalität verwirrt ....
Die Idee von-Aleks- für die Auswahl von Prädiktoren ist sehr interessant. Im Allgemeinen würde ich in der ersten Phase zwei Vorarbeiten leisten:
1. Wählen Sie durch-Aleks- eine ziemlich große Menge unabhängiger Variablen aus.
2. Es wurde eine Regression konstruiert und alle Variablen mit unbedeutenden Koeffizienten verworfen.
Der letzte Schritt ist wirklich nicht einfach. Alles ist so, wie ich es geschrieben habe, vorausgesetzt, es besteht keine Korrelation zwischen den unabhängigen Variablen. Und es gibt immer eine Korrelation über 0,7, und die Liste der verworfenen Prädiktoren hängt von der Reihenfolge ab, in der sie durchgeführt wird.
Danach kann man es sich ansehen und entscheiden, wie es weitergeht.
Die Forderung nach Stationarität ist sehr streng und völlig ungerechtfertigt.
.
Und "nicht-stationäre" Modelle funktionieren sehr gut ;)
Das gilt für jedes Modell, nicht nur für die Regression, sondern auch für neuronale Modelle, ARMA und andere. Wenn es keine Beziehung zwischen Inputs und Outputs gibt, wird jedes Modell eine Vorhersage erstellen, die nur ungenau ist.
Eine große oder kleine Menge an Eingabedaten ist immer relativ.
Das ist eine sehr interessante Idee. Das heißt, dass Sie sich nur auf Trendbrüche konzentrieren und die Schlüsselindikatoren ermitteln, die diese Brüche beeinflussen.
Ich habe viel über Ausreißer nachgedacht. Müssen sie ignoriert werden, oder umgekehrt, sollten Sie ihnen mehr Aufmerksamkeit schenken. Die klassische Regressionstheorie lehrt, sie zu ignorieren. Aber manchmal scheint es mir, dass kleine Preisschwankungen um einen Trend herum ein Rauschen sind, während die klassische Regression ihnen die größte Bedeutung beimisst. Steile Trendwenden (Ausreißer) sind wahrscheinlich ein wichtigeres Signal. Aber alle meine Versuche, ein Modell zu erstellen, das Ausreißern mehr Aufmerksamkeit schenkt (z. B. durch die Wahl von u>1), führten zu einem höheren mittleren quadratischen Fehler der Vorhersage. Die Glättung der Ausreißer führte zu einem geringeren Vorhersagefehler.
So können wir die Verzögerung berücksichtigen - und die prozentuale Abweichung vom Kurseinbruch beim Ausstieg des Wirtschaftsindikators berechnen. Es gibt immer noch einige Ideen, aber die Offensichtlichkeit ihrer Verwendung kann an Ort und Stelle verstanden werden.
Im Allgemeinen beziehen sich viele Wirtschaftsdaten auf den Vormonat oder das Vorjahr, was bei der grafischen Darstellung ebenfalls berücksichtigt werden sollte...
Eine andere Idee - wahrscheinlich sind es nicht die Daten selbst, die die Trendänderung beeinflussen, sondern ihre Abweichung von den erwarteten Daten oder von der vergangenen Dynamik - hier können Sie auch prüfen, indem Sie die vergangene Dynamik der Indexbewegung mit ihrer Änderung vergleichen (starke Änderung entlang des Vektors oder dagegen - zumindest mit SMA) und die Änderung des Preisbewegungsvektors mit einer Verzögerung betrachten.
Ich bin mir nicht sicher, ob all diese Arbeit von einer Person erledigt werden kann - man braucht einen klaren Aktionsplan und eine Methodik für die Analyse von Zwischenergebnissen - es könnte die Arbeit eines ganzen Lebens sein, die die Frage beantworten wird, wie die vergangene wirtschaftliche Leistung des Marktes beeinflusst wurde... Die entwickelte Methodik wird es Ihnen jedoch ermöglichen, nach Mustern in den aktuellen Marktbewegungen zu suchen.
Um den Gedanken weiter zu vertiefen, sollten wir die verschiedenen Indikatoren nach der Häufigkeit ihrer Veröffentlichung unterteilen - je seltener ein Indikator erscheint, desto länger wirkt er auf den Markt ein
Nein. Die einflussreichsten Faktoren für die USA sind dieProzentsätze der UR und derFOMC-Sitzung. Sie sind monatlich.
Wenn die Arbeitslosenzahlen formalisiert sind, dann können die Sitzungsprotokolle der Fed numerisch überhaupt nicht formalisiert werden.
Sonst wäre es wie zwei Finger...
Bei dieser Anzahl von Variablen sind 65 Beobachtungen sehr wenig.
Mindestens i*10 Beobachtungen + 15-20% für einen Vorwärtstest.
Nein. Die einflussreichsten Faktoren für die USA sind dieProzentsätze der UR und derFOMC-Sitzung. Sie sind monatlich.
Wenn die Arbeitslosenzahlen formalisiert sind, dann können die Sitzungsprotokolle der Fed numerisch überhaupt nicht formalisiert werden.
Sonst wäre es wie zwei Finger...