Eine Stichprobenkorrelation von Null bedeutet nicht zwangsläufig, dass es keine lineare Beziehung gibt. - Seite 42
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
Ja... Das Zauberwort "Korrelation" führt viele Menschen in die Irre.
Korrelation == Wahrscheinlichkeitsabhängigkeit. Das heißt, Selbsttäuschung. Suchen Sie nach einer linearen Beziehung.
Auch hierüber wurde in diesem Thread bereits gesprochen.
Denken Sie über die Definition von Korrelation nach - in einfachen Worten ist es die Beziehung zwischen zwei Mengen. Für Mengen aus dem linearen Raum kann diese Korrelation über das Skalarprodukt der Vektoren (äquivalent zu Pearson's QC) geschätzt werden, und es ist zum Beispiel logisch, dass für die orthogonalen Vektoren eine solche Korrelation Null ist. Für Mengen, die nicht zum linearen Raum gehören, sollte diese Beziehung anders geschätzt werden. Das hängt schon von den Eigenschaften des Raums ab. Als Beispiele können wir andere Korrelationskoeffizienten betrachten.
Wenn die Messwerte auf einer relativen Skala liegen, was bei Kursen der Fall ist (die zeigen, wie oft eine Währung "wertvoller" ist als eine andere), dann ist es falsch, lineare Methoden (Skalarprodukt) "direkt" auf die Rohdaten anzuwenden. Der Logarithmus überträgt die Messwerte von einer relativen Skala auf eine Intervallskala, auf der dieselbe Korrelation bereits mit der Pearsonschen QK geschätzt werden kann.
Auch hierüber wurde in diesem Thread bereits gesprochen.
Denken Sie über die Definition von Korrelation nach - in einfachen Worten ist es eine Beziehung zwischen zwei Mengen. Für Mengen aus dem linearen Raum kann diese Korrelation über das Skalarprodukt der Vektoren (äquivalent zu Pearson's QC) geschätzt werden, und es ist zum Beispiel logisch, dass für die orthogonalen Vektoren diese Korrelation Null ist. Für Mengen, die nicht zum linearen Raum gehören, sollte diese Beziehung anders geschätzt werden. Das hängt schon von den Eigenschaften des Raums ab. Als Beispiele könnten wir andere Korrelationskoeffizienten betrachten.
Wenn die Messwerte auf einer relativen Skala liegen, was bei Kursen der Fall ist (die zeigen, wie oft eine Währung "wertvoller" ist als eine andere), dann ist es falsch, lineare Methoden (Skalarprodukt) "direkt" auf die Rohdaten anzuwenden. Der Logarithmus überträgt die Messwerte von einer relativen Skala auf eine Intervallskala, auf der dieselbe Korrelation bereits mit der Pearson'schen QK geschätzt werden kann.
Können Sie ein konkretes Beispiel nennen, bei dem die Logarithmierung den QC-Messwert entscheidend verändert? Bitte nennen Sie mir ein Beispiel, bei dem die ursprüngliche Reihe einen QC nahe Null ergibt, während ihre Logarithmen den QC auf wundersame Weise auf einen aussagekräftigen Schätzwert bringen.
Nehmen wir also ein Beispiel:
Pearson-Korrelation zwischen Goldpreisen und Open Interest, berechnet anhand der ersten Differenzen ohne Logarithmus: 0,1968
Pearson-Korrelation zwischen Goldpreisen und Open Interest berechnet für ln(Pi/Pi-1): 0,2067
Wegen der Differenz von 1 % kann man nun an jeder Ecke mit Freude rufen und sagen, dass es ohne Logarithmus nicht geht.
Die Art der Verteilung der Korrelationsmatrix hängt von den Eigenschaften der beiden Reihen und der Beziehung zwischen ihnen ab, d. h. sie muss nicht für alle möglichen Reihen gleich sein... Für SB ist es eine, für manche Sonneneruptionen eine andere...
Ich werde versuchen, es zu tun.
Wegen der Differenz von 1 % kann man nun an jeder Ecke mit Freude rufen und sagen, dass man ohne Logarithmus nirgendwo hingehen kann.
Zu den Daten aus Ihrem Beispiel:
Das scheint ziemlich gut mit der visuellen Beobachtung übereinzustimmen. Der Unterschied beträgt mehr als 5 %.
Ich werde versuchen, eine zu machen.
Ich zähle nicht die ersten Unterschiede ... auch Zehntel...)...
Lassen Sie uns zunächst herausfinden, ob es richtig ist, QR auf eine reguläre Preisreihe anzuwenden. Bisher habe ich Daten vorgelegt, aus denen hervorgeht, dass QC für I(1) offenbar nicht berechnet werden kann.
Wo haben Sie jemals eine Normalitätsanforderung für die Berechnung der QC gesehen? Auch dies ist eine Voraussetzung für die Anwendung der Korrelationsanalyse.
Was für ein Unsinn - QC gilt nur für normal verteilte Werte.......... Es stellt sich heraus, dass man QC nicht zwischen z.B. Gold- und Silberkursen berechnen kann.........
Wo haben Sie jemals eine Normalitätsanforderung für die Berechnung der QC gesehen? Auch dies ist eine Voraussetzung für die Anwendung der Korrelationsanalyse.
Was für ein Blödsinn - QC ist nur für normal verteilte Werte..........
Wichtig ist, dass sich die Qualitätskontrolle nur auf die Erträge, nicht aber auf den Preis selbst beziehen kann.
Nochmals: Warum?
Weil: 1. siehe das Bild oben.
2. 2. lesen Sie, was Avals schreibt:
Dies ist ein Maß für den Fehler. Wenn die Verteilung wie in C-4 dargestellt ist, ist der Fehler groß und die Wahrscheinlichkeit einer größeren Abweichung vom tatsächlichen Wert nimmt kaum ab. Welchen Sinn hat ein solcher Indikator, wenn man mit echter Unabhängigkeit eine Korrelation von -0,6 bis +0,6 erreichen kann?