Marktprognose basierend auf makroökonomischen Indikatoren - Seite 8
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
Das Ersetzen einer Regressionsgeraden durch zwei Geraden, eine für positive und eine für negative Eingabewerte, ergab keinen besonderen Vorteil. Der Versuch, das BIP anstelle des S&P500 vorherzusagen, führte zu einem niedrigeren RMS der Vorhersagen, aber die optimale Anzahl von Eingaben ist immer noch 1. Die Hinzufügung eines zweiten und dritten Prädiktors führt also immer zu einem Anstieg des RMS der Vorhersage. Das gefällt mir nicht. Ich würde gerne ein Modell mit mehr Variablen sehen. Die Suche nach Modellen, Daten und deren Umwandlung geht also weiter.
die Erhöhung der Anzahl der Variablen erhöht natürlich die Gesamtvarianz
optimale Anzahl von Prädiktoren von 5 bis 8 (imho)
Dow Jones und der Dreimonats-LIBOR-Zinssatz für den Dollar. Seltsamerweise heißt es in den Lehrbüchern, dass der Markt sinkt, wenn der Zinssatz steigt, aber es ist genau andersherum.
Eine starke Korrelation ist jedoch nicht zu erkennen.
P.S. Wer kann mir sagen, wo ich Daten über die Zinssätze vor 1986 und die Preise (nicht Renditen) von Tregern, die älter als 2007 sind, finden kann?
Dow Jones und der Dreimonats-LIBOR-Zinssatz für den Dollar. Seltsamerweise heißt es in den Lehrbüchern, dass der Markt sinkt, wenn der Zinssatz steigt, aber es ist genau andersherum.
Eine starke Korrelation ist jedoch nicht zu erkennen.
P.S. Wer kann mir sagen, wo ich Daten über die Zinssätze vor 1986 und die Preise (nicht die Renditen) von Schatzbriefen vor 2007 finden kann?
http://www.treasury.gov/resource-center/data-chart-center/interest-rates/Pages/Historic-LongTerm-Rate-Data-Visualization.aspx
aber wirklich sehr lästig (((.
http://www.treasury.gov/resource-center/data-chart-center/interest-rates/Pages/Historic-LongTerm-Rate-Data-Visualization.aspx
Aber es ist sehr ungeschickt gemacht (((
Tut mir leid, es gibt nur Tarife.
die Preise sind hier, aber nur pro Monat
http://www.investing.com/rates-bonds/us-10-yr-t-note-historical-data
Das Ersetzen einer einzelnen linearen Regression durch zwei lineare Regressionen, eine für positive und eine für negative Eingabewerte, zeigte keine großen Vorteile. Der Versuch, das BIP anstelle des S&P500 vorherzusagen, führte zu einem niedrigeren RMS der Vorhersagen, aber die optimale Anzahl von Eingaben ist immer noch 1. Die Hinzufügung eines zweiten und dritten Prädiktors führt also immer zu einem Anstieg des RMS der Vorhersage. Das gefällt mir nicht. Ich würde gerne ein Modell mit mehr Variablen sehen. Die Suche nach Modellen, Daten und deren Umwandlung geht also weiter. Ich möchte mich nicht selbst täuschen, indem ich Prädiktoren auf der Grundlage der gesamten Geschichte stichprobenartig auswähle und aus derselben Geschichte mit ausgewählten Prädiktoren Vorhersagen treffe. Die eigentliche Herausforderung besteht nun darin, Prädiktoren auszuwählen, die nur bis zum vorhergesagten Datum zurückreichen. Vielleicht beschränkt die Realität die Auswahl wirklich auf einen einzigen Prädiktor.
Ich verstehe nicht, warum Sie nicht RAttle verwenden - Sie verwenden einige billige und vor allem begrenzte Modelle.
Ich habe einen Vorschlag.
Senden Sie mir die tsv-Datei mit den Namen der Spalten. Geben Sie an, welche (welche) Spalten als Zielvariablen verwendet werden sollen. Natürlich sollte sich die Tabellenzeile auf einen Zeitpunkt beziehen.
Ich werde es in Rattle laufen lassen und mit Ihrer Erlaubnis werde ich das Ergebnis hier für 6 sehr anständige Modelle posten.
PS.
Lineare Regressionen auf Finanzreihen..... mehr als fragwürdig.
Tut mir leid, das sind nur die Preise.
Die Preise finden Sie hier, aber nur pro Monat.
http://www.investing.com/rates-bonds/us-10-yr-t-note-historical-data
Ich danke Ihnen! Tägliche Daten nach dem Diagramm auf der Website von 2013 zu urteilen.
Lineare Regressionen auf Finanzreihen..... mehr als fragwürdig.
warum, als einfache Modelle sind sie gut geeignet
natürlich nicht so vielseitig wie neuronale Netze, aber dennoch
Ich beobachte oft, dass, wenn eine Regression keine guten Modelle liefert, andere Optimierer auch keine liefern.
Warum nicht, denn einfache Modelle sind durchaus geeignet
natürlich nicht so vielseitig wie neuronale Netze, aber dennoch
oft beobachtet, dass, wenn die Regression nicht ein gutes Modell liefert, andere Optimierer nicht liefern
Ja, nun...
Regressionsmodelle sind fast unmöglich auf Finanzdaten anzuwenden. Sie bekommen die Zahlen, Sie glauben sie, und die Tatsache, dass die Zahlen, die Sie sehen, überhaupt nicht existieren, fehlt Ihnen das Wissen, um es zu verstehen - ein Zahlenspiel.
Aber mein Geschäft ist es, vorzuschlagen... Und dann liegt es an Ihnen...
PS.
Neuronale Netze liefern nicht die besten Ergebnisse. Es gibt andere Modelle, und das Ergebnis ist besser und die interne Struktur ist interpretierbar.
Ja, okay...
Regressionsmodelle sind auf Finanzdaten praktisch nicht anwendbar. Sie bekommen die Zahlen, Sie glauben sie, und die Tatsache, dass die Zahlen, die Sie sehen, überhaupt nicht existieren, fehlt Ihnen das Wissen, um es zu verstehen - ein Zahlenspiel.
Aber mein Geschäft ist es, vorzuschlagen... Und dann liegt es an Ihnen...
PS.
Neuronale Netze liefern nicht die besten Ergebnisse. Es gibt andere Modelle, und das Ergebnis ist besser und die interne Struktur ist interpretierbar.
Ich würde immer noch widersprechen - Regression funktioniert mit allen Daten, nicht unbedingt besser als andere Methoden, aber immer noch gut genug, vor allem, wenn man bedenkt, dass die Rechenressourcen extrem anspruchslos sind.
Normalerweise wird empfohlen, vor der Regression zu logarithmieren oder Deltas zu nehmen - aber das tötet die Trendinformation! - Vielleicht stehen Sie deshalb der Regression skeptisch gegenüber?
die Vornormierung kann die Daten verfälschen, sie muss sehr sorgfältig durchgeführt werden
Ich stimme zu, dass ein Modell einen "physischen" Sinn haben muss... und je komplexer ein Modell ist, desto mehr ist es von der "physikalischen" Interpretation losgelöst, in jedem komplexen Modell sind die Koeffizienten abstrakt (es sei denn, sie entsprechen Losen oder Beobachtungszahlen/Kugeln, Multiplikatoren zur Berechnung der Volatilität oder Ähnlichem), neuronale Netze sind abstrakt, Zufallswälder sind ebenfalls abstrakt, was noch? die Genetik? auch ein abstraktes Modell
Bei der Regression werden die Koeffizienten in der Regel als die Stärke der Korrelation/des Einflusses eines Faktors interpretiert, und es ist logisch, die Summe der Module der Koeffizienten zu berechnen und den Anteil eines Koeffizienten an der Summe zu ermitteln - dies ist das Signifikanzniveau des Einflusses der Variablen
Natürlich kann dies nicht immer in wirtschaftlichen Begriffen ausgedrückt werden (in diesem Fall müssen Sie ein solides Modell erstellen, und Sie können diesen Zahlen vertrauen, aber das ist eine andere Ebene), wenn Sie beispielsweise Beziehungen zwischen dem Aktienindex und makroökonomischen Statistiken analysieren, werden Sie etwas wie "% Wachstum des Index zu % Wachstum des Index" sehen, oder es gibt zum Beispiel keine direkte Beziehung zwischen den Salden in den Konten der Zentralbank und einem Wechselkurs, aber das Modell kann zeigen, dass es eine Beziehung gibt, nicht unbedingt eine objektive (dass die Salden irgendwie den Wechselkurs beeinflussen oder umgekehrt), aber das Modell zeigt synchrone Veränderungen, also
wenn das Modell nur gehandelte Instrumente enthält, können wir die Koeffizienten in Losen neu berechnen - mehr als eine physikalische Interpretation