Discusión sobre el artículo "Análisis de los gráficos mediante métodos econométricos" - página 2
Está perdiendo oportunidades comerciales:
- Aplicaciones de trading gratuitas
- 8 000+ señales para copiar
- Noticias económicas para analizar los mercados financieros
Registro
Entrada
Usted acepta la política del sitio web y las condiciones de uso
Si no tiene cuenta de usuario, regístrese
Añade. Volveremos a publicar.
Incorrecto, y wiki tiene errores. Tomemos la distribución uniforme. Se puede calcular la curtosis, pero no hay colas en absoluto. Así que te han dicho correctamente que en el caso general no hay relación entre la gravedad, la longitud, la propia presencia de colas y el coeficiente de curtosis. Tomemos una distribución triangular: lo mismo.
¿Qué es exactamente lo que está mal?
-Alexey-, sinceramente, en el campo de la investigación de series temporales, en particular las series de rendimientos que he descrito en el artículo, nunca me he encontrado en absoluto con distribuciones como las que comentas (triangular y uniforme). Es muy probable que tengan un propósito completamente distinto. Así que no hace falta que te refieras a ejemplos marginales, no encuentro otra palabra, perdona. Y si afirmas algo, ten la amabilidad de poner un ejemplo analítico concreto.
Las distribuciones que se utilizan más a menudo, si no siempre, en el análisis anterior son la distribución normal, la distribución de Student y la distribución de Cauchy.
...para utilizar este coeficiente es necesario, en primer lugar, determinar la función de distribución empírica, lo que no es una tarea trivial desde el punto de vista de las matemáticas, y en segundo lugar, en el marco de algunos criterios probabilísticos, comprobar y aceptar la hipótesis de que la distribución tiene una sola moda, lo que no siempre se cumple para las series financieras y también es una tarea no trivial. Sin realizar estos pasos, el cálculo posterior es imposible, si requiere el "Coeficiente de exceso".
Observación valiosa. Si se hiciera el Ajuste de Distribuciones en un artículo, habría material suficiente para un segundo. Tal vez en el futuro yo u otra persona escriba un artículo sobre este tema. El propósito era simplemente señalar las características de una serie temporal que requieren el uso de modelos no lineales.
-Alexey-:
No hay nada escrito sobre qué hacer si la prueba dice que la serie no es aplicable para el modelo supuesto.
No se dice nada sobre por qué y en qué se basa el uso de una serie de los llamados "rendimientos" y no otra.
¿Cuáles son atractivas y con qué fin? ¿Por qué atractivas y no convenientes? ¿Cuál es un criterio matemático válido para elegir el tipo de conversión?Sí, no hay nada escrito :-)
Porque la lógica es simple. Si una prueba, aquí una prueba Q, no muestra autocorrelación, entonces no tiene sentido utilizar un modelo no lineal. Hay que utilizar los lineales.
La serie de rendimientos se utiliza sobre la base de que la estacionariedad de la serie temporal está garantizada. Esto es importante, por ejemplo, para la modelización posterior.
El precio del activo no es estacionario. Los rendimientos suelen ser estacionarios.
Además, es posible comparar distintas series entre sí, es decir, en sentido figurado, cruzar erizos con erizos.
Normalmente, la frecuencia de las series es relativamente alta (diaria, horaria, etc.), por lo que las series de rendimientos pueden obtenerse por capitalización continua (que es lo que hemos hecho) o por capitalización simple. La diferencia sería pequeña.
Creo que la cuestión de la diferencia entre los términos "atractivo" y "conveniente" es discutible.
¿Cree que los críticos deberían asistir a las defensas de tesis, o simplemente aceptarla sin defensa y comenzar la investigación práctica? Creo que le interesará saber que las correlaciones no están calculadas correctamente. Las críticas sirven para mejorar el material, nadie discute que el artículo sea bueno. Para que el beneficio de sus sistemas no sea pequeño, sino mayor.
La crítica es muy necesaria. Porque en una disputa encontramos la verdad, por regla general.
-Alexey-, y ¿cuál es la incorrección del cálculo, puede especificar?
Autocorrelación en las series de rendimiento suele ser débil o ausente.
¿Qué es exactamente lo que falla?
-Alexey-, sinceramente, en el campo de la investigación de series temporales, en particular la serie de rendimientos que he descrito en el artículo, nunca me he encontrado en absoluto con distribuciones como las que comentas (triangular y uniforme). Es muy probable que sirvan para un propósito completamente distinto. Así que no hace falta que te refieras a ejemplos marginales, no encuentro otra palabra, perdona. Y si afirmas algo, ten la amabilidad de poner un ejemplo analítico concreto.
Las distribuciones que se utilizan más a menudo, si no siempre, en el análisis anterior son la distribución normal, la distribución de Student y la distribución de Cauchy.
Puede que sean las más utilizadas, pero la distribución real no es la normal, la de Cauchy o la de Student, sino que suele acercarse más a la distribución de Laplace. Más arriba se ha dicho correctamente que la tarea de identificar la distribución no es trivial, pero eso no significa que sea imposible. En cualquier caso, estoy personalmente convencido por las pruebas de conformidad con la doble exponencial con el resultado R^2 = 0,999 bastante bien.
Ahora sobre este gráfico:
Aquí, por cierto, sólo se dibujan distribuciones de Laplace, lo que significa que todas tienen un cociente de exceso de exactamente 3. Por lo tanto, de nuevo no tiene ninguna relación con el "grosor de las colas" - es el mismo para todos los gráficos presentados aquí.
PD También hablaría de los econometristas que se reimprimen unos a otros de un libro de texto a otro y luego a paedivikia, pero bueno, lo dejaré para la próxima vez.
pregunta para el autor del artículo.
Usted interpreta la prueba de Lewing-Box de la siguiente manera (cito):
La interpretación correcta según la definición del criterio debería ser la siguiente:
Puede que sean las más utilizadas, pero la distribución real no es normal, ni de Cauchy ni de Student, sino que suele acercarse más a la distribución de Laplace. Más arriba se ha dicho correctamente que la tarea de identificar la distribución no es trivial, pero eso no significa que sea imposible. En cualquier caso, estoy personalmente convencido por las pruebas de conformidad con la doble exponencial con el resultado R^2 = 0,999 bastante bien.
Ahora sobre este gráfico...
Aquí, por cierto, sólo se dibujan distribuciones de Laplace, lo que significa que todas ellas tienen un cociente de exceso de exactamente 3. Así que de nuevo no tiene ninguna relación con el "grosor de las colas" - es el mismo para todos los gráficos presentados aquí.
alsu, estoy de acuerdo en que la distribución de Laplace siempre tiene una relación de exceso de 3. Meprecipité con su estimación. Me precipité con su estimación, porque hace tiempo que no la veo... Pero vuelvo a repetir que los econometristas del campo de investigación sobre el que escribí utilizan estas distribuciones. Si los premios Nobel no son autoridades para usted (por ejemplo, Robert Engel), entonces paso.
Si no das un ejemplo analítico concreto, considero que el argumento es especulativo.
denkir:
¿Qué falla exactamente?
1) Cada coeficiente se determina utilizando una cantidad diferente de datos, es decir, son estadísticamente desiguales. Por lo tanto, cada coeficiente debe someterse a una prueba de significación por separado de los demás. Éste no es el caso de la prueba de Ljung-Box.
2) ¿El nivel de significación de la prueba se elige en función de qué?
-Alexey-, sinceramente, en el campo de la investigación de series temporales, en particular las series de rendimiento, que describo en el artículo, nunca me he encontrado en absoluto con distribuciones como las que comentas (triangular y uniforme). Es muy probable que sirvan para un propósito completamente distinto. Así que no es necesario referirse a algunos ejemplos marginales, no puedo encontrar otra palabra, lo siento.
Así que no has respondido - ¿de dónde viene esta serie de rendimientos, ¿cuál es la justificación de la elección de la transformación? Sin duda, se puede obtener una línea recta del gráfico de precios con la ayuda de transformaciones, pero ¿para qué sirve? He leído lo que escribes:
La serie de rendimientos se utiliza sobre la base de que la estacionariedad de la serie temporal está garantizada.
Tal enfoque no es más que un terrible desorden con una gran pérdida de información. ¿Qué hay que pronosticar entonces? En el lenguaje matemático se denomina "ajustar los datos al método de previsión". Pero esta no es la forma de hacerlo. El método sólo puede utilizarse si los datos iniciales son aceptables para él, y no recortarlos para que lleguen a serlo. Este es un problema bien conocido de la estadística moderna.
Y si afirmas algo, ten la amabilidad de poner un ejemplo analítico concreto.
He aquí un ejemplo concreto no analítico, sino práctico sobre la situación actual del Euro a 4 horas. Distribución sobre un número de residuales que obtengo por otras transformaciones, y sé por qué. Se puede ver que la distribución es cercana a la triangular.
Y su forma puede cambiar de la forma más extraña, porque esta serie es no estacionaria. ¿De dónde sacas la idea de que la serie de precios se distribuye según la
la distribución normal, la distribución de Student y la distribución de Cauchy.