Predicción de mercado basada en indicadores macroeconómicos - página 10
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
No estaría de más dar una definición clara, o al menos aclarar qué se entiende por "predicción", "pronóstico", etc. ¿Cuál es el horizonte de la "predicción"? Sin eso, las "predicciones" no tienen sentido. Porque, en función del horizonte, una misma "previsión" puede ser correcta para un horizonte e incorrecta para otro. Además, estas parcelas pueden alternarse muchas veces.
No asumo generalizaciones universales, pero daré la siguiente definición de predicción y pronóstico. Estas definiciones se basan en algoritmos disponibles en R (y no sólo). Probablemente podría dar otras definiciones, pero mis definiciones son constructivas en el sentido de que tienen código de programa.
Así que.
1. Predicción. El principio es que siempre se utiliza el valor anterior para la predicción. Es decir, las barras de la historia real se utilizan para hacer previsiones de 1 paso. Y luego están los siguientes matices. En el caso de una previsión en dos etapas, siempre se utiliza el valor de la primera etapa. Para una previsión de 3 pasos se utilizan los valores de los 2 pasos anteriores, etc. Esto es fundamental porque suma los errores de todos los pasos anteriores de la previsión. Así se obtiene un gráfico de error tipo embudo en expansión. El error en n pasos adelante es siempre mayor que el error en n-1 pasos adelante. El representante más conocido de esta dirección es el paquete de previsión.
2. Predicción. Aquí se especifica el conjunto de valores a partir de los cuales se realiza una previsión que se denomina predicción para distinguirla, ya que se puede utilizar un conjunto de barras para realizar una predicción de un paso, de dos pasos o de n pasos. El algoritmo no determina si los valores de predicción se utilizan o no, sino que lo hace un desarrollador. Se desconoce el comportamiento del error de predicción. Uno puede decidirse. Si hay predictores en un conjunto de predictores de H1 que inherentemente tienen capacidad de predicción en H4, puede haber menos error en cada cuarta hora que en la tercera. Los predictores son todos modelos de tipo clasificación.
No haré generalizaciones universales, pero daré la siguiente definición de predicción y pronóstico.
Para las regresiones, la no estacionariedad de las series financieras es un problema básico. Por lo tanto, a la hora de elegir una herramienta hay que ver cómo la herramienta elegida resuelve el problema de la no estacionariedad. Mi mencionado ARIMA resuelve el problema de la no estacionariedad hasta cierto punto, pero nunca he oído que las series de Taylor resuelvan el problema de la no estacionariedad.
La no estacionariedad se considera un problema cuando se aplican modelos estacionarios. Si se utiliza un modelo no estacionario, la no estacionariedad no es un problema, sino un problema a resolver.
ARIMA no resuelve el llamado "problema de no estacionariedad", no está diseñado para ello.
Las series de Taylor son en cierto sentido universales -- si los coeficientes son constantes, tenemos un modelo estacionario (y ARIMA también lo es), pero si los coeficientes son funciones del tiempo y del estado, obtenemos un modelo no estacionario. Esto es, en pocas palabras, para una referencia rápida.
En mi caso, la previsión a 1 paso (trimestre) con fecha E utiliza todos los valores disponibles de las entradas en las fechas e=0 a e=D-1. La previsión de 2 pasos adelante con fecha E utiliza todos los valores disponibles de las entradas en las fechas e=0 a e=D-2. Y así sucesivamente. En otras palabras, la previsión en dos etapas en la fecha E no utiliza la previsión en la fecha D-1 porque implica que si la previsión en la fecha D-1 utilizó un conjunto de insumos en las fechas 0...D-2, entonces los mismos insumos pueden utilizarse directamente para la previsión en dos etapas en la fecha D sin previsión intermedia en la fecha D-1.
La no estacionariedad se considera un problema cuando se aplican modelos estacionarios. Si se utiliza un modelo no estacionario, la no estacionariedad no es un problema, sino un problema a resolver.
ARIMA no resuelve el llamado "problema de no estacionariedad", no está diseñado para ello.
.
O admitimos la presencia de la no estacionalidad o no lo hacemos.
Si lo hacemos, entonces nuestro modelo debería comer inmediatamente datos no estacionarios, o lo más probable es que necesitemos una serie de acciones preliminares que preparen los datos brutos para que sean adecuados para el modelo.
Y aquí ARIMA es un ejemplo clásico. Es precisamente un modelo para datos no estacionarios. En el primer paso, la serie original no estacionaria se convierte en estacionaria, y luego se modela la serie resultante.
Específicamente.
Para los datos estacionarios, es un modelo sin la letra I, que significa cuántas veces hay que diferenciar (tomar diferencias) los datos originales para que se vuelvan estacionarios y se pueda aplicar el modelo ARMA. Otra cosa es que los criterios que se utilizan para determinar la estacionariedad en los modelos ARIMA, débil como resultado de que el modelo ARMA aplicado a los resultados de la diferenciación, no es aplicable a estos resultados y requieren una investigación adicional, por lo general en el modelado de la varianza - ARCH, y también hay matices..... Como resultado, resulta que tienes una cita en la entrada, modelas algo diseccionado, pero es imposible entender dónde poner el resultado.
O reconocemos la presencia de la no estacionalidad o no lo hacemos.
Si lo reconocemos, entonces o bien nuestro modelo debe engullir inmediatamente los datos no estacionarios, o bien es probable que sean necesarias una serie de acciones preliminares para preparar los datos brutos de manera que sean adecuados para el modelo.
Y aquí ARIMA es un ejemplo clásico. Es precisamente un modelo para datos no estacionarios. En el primer paso, la serie original no estacionaria se convierte en estacionaria, y luego se modela la serie resultante.
Específicamente.
Para los datos estacionarios, es un modelo sin la letra I, que significa cuántas veces hay que diferenciar (tomar diferencias) los datos originales para que se vuelvan estacionarios y se pueda aplicar el modelo ARMA. Otra cosa es que los criterios que se utilizan para determinar la estacionariedad en los modelos ARIMA, débil como resultado de que el modelo ARMA aplicado a los resultados de la diferenciación, no es aplicable a estos resultados y requieren una investigación adicional, por lo general en el modelado de la varianza - ARCH, y también hay matices..... Como resultado, resulta que tienes una cita en la entrada, modelas algo diseccionado, pero es imposible entender dónde poner el resultado.
Vuelves a repetir el viejo error, del que ya se ha hablado mucho...
Es imposible realizar una transformación de la serie original no estacionaria en una serie estacionaria equivalente. Es posible hacer todo tipo de manipulaciones con la serie inicial, pero hay que entender que el resultado obtenido puede no ser equivalente al inicial. Esto es exactamente lo que ocurre cuando se realiza una "transformación de series no estacionarias en estacionarias".
Ya se ha hablado mucho de esto. Pero veo que no te fijas en los puntos principales. En sentido figurado, convertir a un gato en un perro llevándolo con una correa no funcionará.
Vuelves a repetir el viejo error, que ya se ha dicho mucho antes...
Es imposible transformar una serie inicial no estacionaria en una serie estacionaria equivalente. Es posible hacer todo tipo de manipulaciones con la serie inicial, pero hay que entender que el resultado obtenido puede no ser equivalente al inicial. Esto es exactamente lo que ocurre cuando se realiza una "transformación de series no estacionarias en estacionarias".
Ya se ha hablado mucho de esto. Pero veo que no te fijas en los puntos principales. En sentido figurado, convertir a un gato en un perro llevándolo con una correa no funcionará.
¡Estimados participantes de la discusión de este tema! Me atrevo a asegurar que mi investigación demostró que ninguno de los métodos conocidos de análisis de regresión, incluyendo las transformadas de Fourier, las redes neuronales, los modelos de regresión lineal y no lineal y otros modelos, métodos y técnicas utilizados para describir y/o predecir el comportamiento de una serie numérica, incluyendo el flujo de precios del mercado, puede competir con el modelo de regresión universal que propuse y que todos conocen por cualquier parámetro de evaluación. Estoy dispuesto a rebatir cualquier objeción con ejemplos concretos y comparativos de cualquier análisis de series. Estaría encantado de encontrar, con su ayuda, los inconvenientes de mi modelo, si los hay. Estoy seguro de que en cuanto estudie y comprenda seriamente el modelo propuesto, descubrirá su poder y omnipresencia. Para explicarlo de forma primitiva, el modelo es una extensión del MOC gaussiano al dominio no lineal y, como caso especial, cubre también el MOC gaussiano. En consecuencia, si en el dominio lineal el MNA gaussiano es el favorito reconocido, en el caso general el método propuesto puede resultar serlo. Estoy dispuesto a rebatir las objeciones, si las hay. Respetuosamente, Yusufhoja.