Ökonometrie: Bibliographie - Seite 7
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
TS und DS sind eine russische Dissertationserfindung.
Das Problem ist ein anderes. Meine Meinung: Isolieren Sie die deterministische Komponente vom Quotienten und betrachten Sie das Residuum. Wenn das Residuum stationär ist, können wir die deterministische Komponente extrapolieren. Wenn nicht, dann extrahieren Sie die deterministische Komponente aus dem Rest .... Ist es möglich, auf diese Weise ein funktionierendes System zu erhalten? Nicht im allgemeinen Fall, dafür habe ich keine Beweise. In den beigefügten Anhängen wird jedoch behauptet, dass alles gut funktionieren würde, wenn es keine Knicke in der Entwicklung gäbe. Aber auch für diesen Fall wird ein Vorschlag unterbreitet, um dieses Ärgernis zu überwinden.
TS und DS sind eine russische Dissertationserfindung.
Das Problem ist ein anderes. Meiner Meinung nach extrahieren wir die deterministische Komponente aus dem Quotienten und betrachten das Residuum. Wenn das Residuum stationär ist, können wir die deterministische Komponente extrapolieren. Wenn nicht, dann extrahieren Sie die deterministische Komponente aus dem Rest ....
Wenn Sie die deterministische Komponente extrahiert und entfernt haben, müssen Sie natürlich eine andere Extraktionsmethode anwenden, um etwas aus dem Residuum zu extrahieren (es sei denn, Sie wollen eine absichtliche Null in der Ausgabe erhalten). Und so weiter bei jedem Schritt.
Nach den Beiträgen zu urteilen, weiß das Kollektiv nicht, was ein "Haltepunkt" ist. in einfachen Worten. Sie haben das Modell angepasst. Bei jedem neuen Balken wird eine neue Anpassung vorgenommen, und der neue Balken entspricht dem vorherigen. Und dann stimmt das neue Modell von seinen Parametern her nicht mit dem vorherigen überein. Das bedeutet, dass sich das Kotier innerhalb der Probe so verändert hat, dass sich die Modellparameter geändert haben. Wenn die Parameter gut sind, können wir sie anpassen und hoffen, dass beim nächsten Takt alles in Ordnung ist. Aber manchmal ändert sich der Quotient, so dass die Funktionsform geändert werden muss. Außerdem wird die Pause höchstwahrscheinlich nicht bei der Ankunft eines Taktes diagnostiziert, sondern sie braucht mehrere Takte, d.h. wir sind zum Verlust übergegangen und hier beginnt das Lied über SL.
Hier ist ein Anhang zu diesem Problem. So wie ich das sehe, ist das Hauptproblem des Handels die Fraktur.Das Problem beim Handel besteht darin, einen Haltepunkt (oder wie auch immer Sie es nennen wollen, ich bevorzuge den Ausdruck "Störung der Stationarität") so früh wie möglich zu erkennen, bevor der SL ausgelöst wird. Aber mit der Methode in Ihrem Anhang ist das kaum möglich, schon allein deshalb, weil wir in einem linearen Modell überhaupt keine Möglichkeit haben, zu bestimmen, an welchem genauen Punkt innerhalb der Stichprobe der Bruch aufgetreten ist. Und wie Sie richtig bemerken, wird in diesem Modell ein Break fast nie durch das Eintreffen eines einzigen Barren diagnostiziert, es sei denn, dieser Barren bringt Sie sofort in einen Elch.
100% zustimmen, schrieb ich ein Expert Advisor auf dem gleichen Kurs, adaptive Modell für die Vorhersage von Zeitreihen mit instabilen Schwankungen, arbeitet entlang des Trends bis zum Ende, aber Umkehrungen sind verloren, in der Wohnung verhält sich akzeptabel.
Wenn Sie eine deterministische Komponente extrahiert und entfernt haben, müssen Sie natürlich eine andere Extraktionsmethode anwenden, um etwas aus dem Rest zu extrahieren (es sei denn, Sie wollen eine absichtliche Null in der Ausgabe erhalten). Und so weiter bei jedem Schritt.
Warum eine andere? Das verstehe ich nicht. Im Bereich der Vorhersage habe ich mehrere Anwendungen des Hodrick-Prescott-Filters gezeigt. Das hat gezeigt, dass es nichts gebracht hat. Ich habe nichts aus dem Kollektiv herausgepresst. Aber jetzt kann ich sagen, dass es zwei Probleme gab: (1) die Behauptungen über den Filter, bei dem ich vermute, dass es sich um einen Randeffekt auf der rechten Seite handelt, und (2) ein ebenso großes Problem wie das Modell selbst ist die Verwendung der daraus resultierenden Vorhersage. Wenn diese Frage nicht geklärt ist, ist es sinnlos, über eine Glättungsmethode zu spekulieren. Abgesehen davon verwerfe ich MM als Methode zur Lösung der Probleme bei der Nutzung der Vorhersage.
Auf dieser Grundlage habe ich eine Anlage und einen Link zum Handbuch veröffentlicht. Beide Positionen sind neu in diesem Forum und meiner Meinung nach sehr vielversprechend.
Das Problem bei der Anwendung auf den Handel besteht darin, einen Knick (oder wie auch immer Sie es nennen wollen, mir gefällt der Ausdruck "Störung der Stationarität" besser) so früh wie möglich zu erkennen, bevor der SL ausgelöst wird. Aber mit der Methode in Ihrem Anhang ist das kaum möglich, schon allein deshalb, weil wir in einem linearen Modell überhaupt keine Möglichkeit haben, zu bestimmen, an welchem bestimmten Punkt innerhalb der Stichprobe der Bruch aufgetreten ist. Und wie Sie richtig anmerken, wird in diesem Modell ein Knick fast nie durch das Auftreten eines einzelnen Balkens diagnostiziert, es sei denn, dieser Balken hat Sie sofort in einen Elch gefahren.
Die Idee des Attachments ist es, Prognosen mit mehreren Modellen zu erstellen. Verschiedene Modelle werden an unterschiedlichen Stellen einen Knick aufweisen, so dass die Vorhersage verfeinert werden muss. Ich glaube schon.
Warum der andere? Das verstehe ich nicht.
Einfache Logik. Angenommen, wir haben ein Signal und wollen die deterministische Komponente daraus extrahieren. Natürlich wollen wir es optimal machen, d.h. so, dass die von uns verwendete Methode unter keinen Umständen das beste Ergebnis für dieses Signal liefern kann. An dieser Stelle sei darauf hingewiesen, dass wir in diesem Fall das Optimalitätskriterium einführen müssen, durch das wir den Parametern des Algorithmus Beschränkungen auferlegen werden. Daraus folgt aber, dass, wenn wir es erreicht und ein Optimum aus der verwendeten Methode herausgequetscht haben, die Anwendung derselben Methode mit demselben Optimalitätskriterium den Rückstand auf Null bringen muss, denn sonst haben wir einen Widerspruch zu der Tatsache, dass die Parameter des vorherigen Schritts auf der Grundlage des optimalen Kriteriums berechnet wurden...
Hier gibt es einen Nachteil: Wenn wir das Optimierungskriterium nicht anwenden und das Signal z. B. einfach mit einem statischen Filter filtern, können wir das Ergebnis theoretisch nicht als deterministische Komponente bezeichnen. Was ist deterministisch? Schließlich können Sie eine Reihe von Filtern mit der gleichen Struktur, aber unterschiedlichen Parametern anwenden, und sie werden alle unterschiedliche Ergebnisse liefern. Welche von ihnen ist dann als deterministische Komponente zu betrachten? Alle Parametersätze sind gleich, solange wir kein Optimalitätskriterium einführen.
(1) die Behauptungen über den Filter, von dem ich vermute, dass er sich nur am Rande auf die Rechte auswirkt
und (2) ein ebenso großes Problem wie das Modell selbst ist die Verwendung der daraus resultierenden Vorhersage.
Einfache Logik. Angenommen, wir haben ein Signal und wollen die deterministische Komponente daraus extrahieren. Natürlich wollen wir das optimal machen.
Wir kennen das Kriterium - RMSE. Damit wir uns nicht mit SE verzetteln. Dieses Kriterium ermöglicht es, die Glättungsparameter für eine bestimmte Stichprobe auszuwählen. Beim Verschieben berechnen wir neu.
Wir erhalten eine deterministische Komponente in dem Sinne, dass ein Teil des Quotienten durch eine Formel angenähert wird. Oft ein leichtgängiges Differential, etc. Es gibt keinen Geruch des Zufalls. Aber es gibt immer einen Fehler bei der Annäherung. Und es gibt noch eine weitere Überlegung.
Der ursprüngliche Quotient ist nicht stationär. Diese glatte Annäherung wird davon subtrahiert. Frage: Wo liegt die Nicht-Stationarität? Ist sie verschwunden? Ist das Residuum stationär? Wenn das Residuum stationär ist, können wir eine Vorhersage treffen. Wenn sie nicht stationär ist, können wir keine Prognosen erstellen und müssen die Glättung fortsetzen, indem wir die Nicht-Stationarität ausnutzen. Der absolute Wert des Rückstands nimmt ab, und nach der dritten Glättung beträgt die Spanne in der Regel nur noch den Bruchteil eines Pips, so dass Sie sie schließlich vergessen können.
Einfache Logik. Angenommen, wir haben ein Signal und wollen die deterministische Komponente daraus extrahieren. Natürlich wollen wir das optimal machen.
Wir kennen das Kriterium - RMSE. Damit wir uns nicht mit SE verzetteln. Dieses Kriterium ermöglicht es, die Glättungsparameter für eine bestimmte Stichprobe auszuwählen. Beim Verschieben berechnen wir neu.
Wir erhalten eine deterministische Komponente in dem Sinne, dass ein Teil des Quotienten durch eine Formel angenähert wird. Oft ein leichtgängiges Differential, etc. Es gibt keinen Geruch des Zufalls. Aber es gibt immer einen Fehler bei der Annäherung. Und es gibt noch eine weitere Überlegung.
Der ursprüngliche Quotient ist nicht stationär. Diese glatte Annäherung wird davon subtrahiert. Frage: Wo liegt die Nicht-Stationarität? Ist sie verschwunden? Ist das Residuum stationär? Wenn das Residuum stationär ist, können wir eine Vorhersage treffen. Wenn sie nicht stationär ist, können wir keine Prognosen erstellen und müssen die Glättung fortsetzen, indem wir die Nicht-Stationarität ausnutzen. In Anbetracht der Tatsache, dass der Rückstand in absoluten Zahlen abnimmt und nach der dritten Glättung die Spanne in der Regel etwa einen Pip beträgt, können wir schließlich auf ihn spucken.
Schließlich können wir das iterative Verfahren selbst als die optimale Methode zur Bestimmung der deterministischen Komponente betrachten. Die Hauptsache ist, dass sie zum stationären weißen Rauschen in der Ausgabe führen muss, d.h. nicht nur die Nicht-Stationarität muss entfernt werden, sondern auch die Autokorrelation der Residuen, sonst ist die Prognose wertlos. Kurzum, das Problem ist in dieser Formulierung seit langem bekannt, aber ich habe noch keine Lösung für Foren im freien Zugang gesehen. Aber selbst wenn dies der Fall ist, wer kann sagen, dass die Form der deterministischen Komponente im Analysefenster an sich stationär ist, d. h. sich nicht ändert, wenn das Fenster verschoben wird? Wenn nicht, dann ist die Vorhersage wertlos.
Und wenn nicht, ist die Prognose wertlos.
Das Ideal ist nicht realisierbar.
Schauen wir uns als Beispiel einen Plan an.
Nehmen wir eine Maschine mit T=10. Bei mir sind es 10 unabhängige Variablen, die mit einem konstanten Koeffizienten = 0,1 in die Berechnung eingehen.
Einmal gezählt, liegt der Anpassungsfehler bei über 100 Pips für H1.
Wo liegt das Problem? Offensichtlich der konstante Koeffizient.
Wir nehmen die Regression für 10 Lag-Werte und zählen die Koeffizienten. Sie sind nicht gleich 0,1 Der Fehler ist geringer, aber immer noch etwa 100 Pips.
Nächste Frage. Warum 10 unabhängige Variablen?
Warum also eine lineare Kombination dieser Variablen?
Worauf ich an dieser Stelle der Argumentation hinaus will.
Wir müssen anpassen: Koeffizienten, Anzahl der unabhängigen Variablen, funktionale Form.
Ist das alles?
Nein, ist es nicht.
Wir haben dem Markt das Konzept eines adaptiven Modells vorgelegt, aber es stellt sich die Frage, was wir auf dem Markt sehen oder was wir vom Markt übernehmen?
Wenn Sie EViews verwenden, gibt es eine Reihe von Tests, die es Ihnen ermöglichen, einen breiteren Satz von Parametern zu isolieren, um sich anzunähern. fast vollständig diesen Satz von Parametern, die ich im Vorhersagezweig gezeigt habe.
Das ist richtig. Das ist alles, was noch übrig ist:
Адаптировать [...] коэффициенты, кол-во независимых переменных, функциональную форму
=) weiter, weiter) ich höre nicht viel, ich weiß nicht viel.