Marktprognose basierend auf makroökonomischen Indikatoren - Seite 10
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
Es würde nicht schaden, eine klare Definition zu geben oder zumindest zu klären, was mit "Vorhersage", "Vorhersage" usw. gemeint ist. Ohne diese Definition sind "Vorhersagen" bedeutungslos. Denn je nach Horizont kann ein und dieselbe "Vorhersage" für einen Horizont richtig und für einen anderen falsch sein. Außerdem können sich solche Parzellen mehrmals abwechseln.
Ich nehme keine allgemeingültigen Verallgemeinerungen an, aber ich werde die folgende Definition von Vorhersage und Vorhersage geben. Diese Definitionen basieren auf Algorithmen, die in R (und nicht nur dort) verfügbar sind. Ich könnte wahrscheinlich noch andere Definitionen geben, aber meine Definitionen sind konstruktiv in dem Sinne, dass sie Programmcode enthalten.
Also.
1. Vorhersage. Das Prinzip ist, dass immer der vorherige Wert für die Vorhersage verwendet wird. D.h. reale historische Balken werden für die Erstellung von 1-Schritt-Prognosen verwendet. Und dann gibt es noch die folgenden Nuancen. Bei einer 2-Stufen-Prognose wird immer der Wert für die erste Stufe verwendet. Bei einer 3-Stufen-Prognose werden die Werte der vorangegangenen 2 Stufen verwendet, usw. Dies ist von grundlegender Bedeutung, da es die Fehler aller vorangegangenen Schritte der Vorhersage addiert. Sie erhalten also ein sich ausweitendes trichterförmiges Fehlerdiagramm. Der Fehler bei n Schritten im Voraus ist immer größer als der Fehler bei n-1 Schritten im Voraus. Der bekannteste Vertreter dieser Richtung ist das Prognosepaket.
2. Vorhersage. Hier geben Sie die Menge der Werte an, aus denen eine Prognose erstellt wird, die zur Unterscheidung als Vorhersage bezeichnet wird, da Sie eine Menge von Balken verwenden können, um eine ein-, zwei- oder n-stufige Vorhersage zu erstellen. Ob die Vorhersagewerte verwendet werden oder nicht, wird nicht vom Algorithmus bestimmt, sondern von einem Entwickler festgelegt. Das Verhalten des Vorhersagefehlers ist unbekannt. Man kann sich eine Meinung bilden. Wenn es in einem Satz von Prädiktoren aus H1 Prädiktoren gibt, die von Natur aus eine Vorhersagekraft für H4 haben, dann kann es sein, dass es in jeder vierten Stunde weniger Fehler gibt als in der dritten Stunde. Die Prädiktoren sind alle Modelle vom Typ Klassifikation.
Ich werde keine allgemeingültigen Verallgemeinerungen machen, aber ich werde die folgende Definition von Vorhersage und Vorhersage geben.
Bei Regressionen stellt die Nicht-Stationarität von Finanzreihen ein grundlegendes Problem dar. Bei der Auswahl eines Werkzeugs sollte man also darauf achten, wie das gewählte Werkzeug das Problem der Nicht-Stationarität löst. Das von mir erwähnte ARIMA löst das Problem der Nicht-Stationarität bis zu einem gewissen Grad, aber ich habe noch nie gehört, dass Taylor-Reihen das Problem der Nicht-Stationarität lösen.
Nicht-Stationarität wird bei der Anwendung von stationären Modellen als Problem angesehen. Wenn ein nicht-stationäres Modell verwendet wird, ist Nicht-Stationarität kein Problem, sondern ein Problem, das gelöst werden muss.
ARIMA löst das so genannte "Nicht-Stationaritäts-Problem" nicht - es ist nicht dafür ausgelegt.
Taylor-Reihen sind in gewissem Sinne universell - wenn die Koeffizienten konstant sind, haben wir ein stationäres Modell (und ARIMA ist es auch), aber wenn die Koeffizienten Funktionen der Zeit und des Zustands sind, erhalten wir ein nicht-stationäres Modell. Dies ist die Essenz, in einer Nussschale, für eine schnelle Referenz.
In meinem Fall verwendet die Prognose 1 Schritt (Quartal) voraus mit Datum E alle verfügbaren Werte der Eingaben an den Daten e=0 bis e=D-1. Die Vorhersage 2 Schritte im Voraus mit Datum E verwendet alle verfügbaren Werte der Eingaben an den Daten e=0 bis e=D-2. Und so weiter. Mit anderen Worten, die zweistufige Prognose zum Zeitpunkt E verwendet nicht die Prognose zum Zeitpunkt D-1, denn sie impliziert, dass, wenn die Prognose zum Zeitpunkt D-1 eine Reihe von Inputs zu den Zeitpunkten 0...D-2 verwendet hat, dieselben Inputs direkt für die zweistufige Prognose zum Zeitpunkt D ohne Zwischenprognose zum Zeitpunkt D-1 verwendet werden können.
Nicht-Stationarität wird bei der Anwendung von stationären Modellen als Problem angesehen. Wenn ein nicht-stationäres Modell verwendet wird, ist Nicht-Stationarität kein Problem, sondern ein Problem, das gelöst werden muss.
ARIMA löst das so genannte "Nicht-Stationaritäts-Problem" nicht - es ist nicht dafür ausgelegt.
.
Entweder wir räumen das Vorhandensein von Nicht-Stationarität ein oder wir tun es nicht.
Wenn dies der Fall ist, dann sollte unser Modell entweder sofort nicht-stationäre Daten verarbeiten, oder wir müssen eine Reihe von Vorarbeiten leisten, um die Rohdaten so aufzubereiten, dass sie für das Modell geeignet sind.
Und hier ist ARIMA ein klassisches Beispiel. Es handelt sich um ein Modell für nicht-stationäre Daten. Im ersten Schritt wird die ursprüngliche nicht-stationäre Reihe in eine stationäre Reihe umgewandelt, und dann wird die resultierende Reihe modelliert.
Konkret.
Bei stationären Daten handelt es sich um ein Modell ohne den Buchstaben I, der angibt, wie oft die ursprünglichen Daten differenziert werden müssen, damit sie stationär werden und das ARMA-Modell angewendet werden kann. Eine andere Sache ist, dass die Kriterien, die verwendet werden, um die StationaritÃ?t in ARIMA-Modelle zu bestimmen, schwach, als Folge der das ARMA-Modell auf die Ergebnisse der Differenzierung angewendet, nicht auf diese Ergebnisse und erfordern zusÃ?tzliche Forschung, in der Regel auf die Modellierung der Varianz - ARCH, und es gibt auch Nuancen..... Als Ergebnis stellt sich heraus, dass Sie ein Zitat am Eingang haben, Sie modellieren etwas seziert, aber es ist unmöglich zu verstehen, wo das Ergebnis zu setzen.
Entweder wir erkennen das Vorhandensein von Nicht-Stationarität an oder wir tun es nicht.
Wenn wir das anerkennen, dann muss unser Modell entweder sofort nicht-stationäre Daten verschlingen, oder es ist wahrscheinlich, dass eine Reihe von vorbereitenden Maßnahmen erforderlich sind, um die Rohdaten so aufzubereiten, dass sie für das Modell geeignet sind.
Und hier ist ARIMA ein klassisches Beispiel. Es handelt sich um ein Modell für nicht-stationäre Daten. Im ersten Schritt wird die ursprüngliche nicht-stationäre Reihe in eine stationäre Reihe umgewandelt, und dann wird die resultierende Reihe modelliert.
Konkret.
Bei stationären Daten handelt es sich um ein Modell ohne den Buchstaben I, der angibt, wie oft die ursprünglichen Daten differenziert werden müssen, damit sie stationär werden und das ARMA-Modell angewendet werden kann. Eine andere Sache ist, dass die Kriterien, die verwendet werden, um die StationaritÃ?t in ARIMA-Modelle zu bestimmen, schwach, als Folge der das ARMA-Modell auf die Ergebnisse der Differenzierung angewendet, nicht auf diese Ergebnisse und erfordern zusÃ?tzliche Forschung, in der Regel auf die Modellierung der Varianz - ARCH, und es gibt auch Nuancen..... Als Ergebnis stellt sich heraus, dass Sie ein Zitat am Eingang haben, Sie modellieren etwas seziert, aber es ist unmöglich zu verstehen, wo das Ergebnis zu setzen.
Sie wiederholen den alten Fehler, über den schon viel gesagt worden ist...
Es ist nicht möglich, die ursprüngliche nichtstationäre Reihe in eine äquivalente stationäre Reihe zu transformieren. Es ist möglich, alle möglichen Manipulationen an der Ausgangsreihe vorzunehmen, aber man muss sich darüber im Klaren sein, dass das erhaltene Ergebnis nicht unbedingt mit dem ursprünglichen Ergebnis übereinstimmt. Genau das passiert, wenn man eine "Umwandlung von nichtstationären in stationäre Reihen" vornimmt.
Darüber ist bereits viel gesagt worden. Aber ich sehe, dass Sie die wichtigsten Punkte nicht beachten. Bildlich gesprochen wird es nicht funktionieren, eine Katze in einen Hund zu verwandeln, indem man sie an die Leine nimmt.
Sie wiederholen den alten Fehler, der schon oft gesagt wurde...
Es ist unmöglich, eine anfänglich nichtstationäre Reihe in eine entsprechende stationäre Reihe umzuwandeln. Es ist möglich, alle möglichen Manipulationen an der Ausgangsreihe vorzunehmen, aber man muss sich darüber im Klaren sein, dass das erhaltene Ergebnis nicht unbedingt mit dem ursprünglichen Ergebnis übereinstimmt. Genau das passiert, wenn man eine "Umwandlung von nichtstationären in stationäre Reihen" vornimmt.
Darüber ist bereits viel gesagt worden. Aber ich sehe, dass Sie die wichtigsten Punkte nicht beachten. Bildlich gesprochen wird es nicht funktionieren, eine Katze in einen Hund zu verwandeln, indem man sie an die Leine nimmt.
Liebe Teilnehmer an der Diskussion zu diesem Thema! Ich kann Ihnen versichern, dass meine Forschung gezeigt hat, dass keine der bekannten Methoden der Regressionsanalyse, einschließlich Fourier-Transformationen, neuronaler Netze, linearer und nichtlinearer Regressionsmodelle und anderer Modelle, Methoden und Techniken, die zur Beschreibung und/oder Vorhersage des Verhaltens einer numerischen Reihe, einschließlich des Marktpreisflusses, verwendet werden, mit dem von mir vorgeschlagenen und allen bekannten universellen Regressionsmodell durch irgendeinen Bewertungsparameter konkurrieren kann. Ich bin bereit, jeden Einwand mit konkreten, vergleichenden Beispielen einer beliebigen Reihenanalyse zu widerlegen. Ich würde mich freuen, mit Ihrer Hilfe die Nachteile meines Modells herauszufinden, falls es welche gibt. Ich bin sicher, dass Sie, sobald Sie das vorgeschlagene Modell ernsthaft studieren und verstehen, seine Kraft und Allseitigkeit entdecken werden. Primitiv ausgedrückt ist das Modell eine Erweiterung der Gaußschen MOC auf den nichtlinearen Bereich, und als Spezialfall deckt es auch die Gaußsche MOC ab. Wenn also im linearen Bereich die Gaußsche MNA der anerkannte Favorit ist, dann kann sich die vorgeschlagene Methode auch im allgemeinen Fall als solcher erweisen. Ich bin bereit, etwaige Einwände zu parieren. Hochachtungsvoll, Yusufhoja.