Predicción de mercado basada en indicadores macroeconómicos - página 43
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
Bueno, aquí hay un pensamiento claro de Hazin.
Para 2010, el total de instrumentos financieros en el NASDAQ de NYCE = 17,796 + 12,659 billones de dólares. Y el PIB es la mitad. Y la participación de las finanzas en el PIB es irrisoria. ¿Cómo puede ser esto?
Todo lo relacionado con las estadísticas en los Estados Unidos debe hacerse con extrema precaución. Hay que profundizar en la metodología de cálculo del PIB... ¿Es esto necesario?
El PIB contabiliza el importe de los servicios financieros prestados en un año, no la capitalización nominal de la bolsa nacional
Bueno, ya ves, has hecho dos. Así que se tiene en cuenta el margen de intermediación. Tienen menos que los nuestros, una cantidad ridícula.
¿Y el resto del dinero? Compras los pantalones, es una venta, pero compras las acciones, los futuros, ¿qué es eso? Hay que contar la facturación de las cuentas...
Bueno, ya ves, has hecho dos. Así que se tiene en cuenta el margen de intermediación. Es menos que la nuestra, una cantidad ridícula.
¿Y el resto del dinero? Compras los pantalones, es una venta, pero compras una acción, un futuro, ¿qué es eso? Hay que contar el volumen de negocio en las cuentas...
Toda la economía de mercado ....
Hay que contar en especie, en bocazas. Y el valor monetario, e incluso en diferentes monedas, sólo es viable con precios y tipos estables. ¿Y hoy? Todo el mundo está atrapado con el rublo... ¡Y mira los gráficos de los pares de divisas! O mira los gráficos del índice del dólar. ¿De qué precios podemos hablar?
¿Con qué lo comparamos? ¿Una parte del PIB estadounidense para la electrónica con su producción real y física en China? ¿Aire con hierro real?
Como he escrito antes, no elijo los predictores, sino el código por error de predicción. Sólo miro el modelo final y compruebo cuáles son los indicadores. Por ejemplo, un indicador es el inicio de la construcción de viviendas:
https://research.stlouisfed.org/fred2/series/HOUST1F
Si se observa este gráfico, se puede ver una tendencia a la disminución de la construcción de viviendas antes de las recesiones. Los indicadores elegidos por el código dependen en gran medida del método de conversión de datos. Acepto perfectamente que los futuros tengan un impacto en el PIB. Si hay una serie temporal que refleje los futuros, muéstrame el enlace. Todos mis predictores están tomados de la base de datos FRED2 de la Fed. Hay indicadores económicos y financieros:
https://research.stlouisfed.org/fred2/categories
El problema de estos indicadores es que hay unos 300 mil. Muchos datos regionales e internacionales. Tuve que descartar manualmente los datos "innecesarios" para evitar cargar el código. Tenemos unos 10 mil indicadores. Pero no todos estos indicadores han sido publicados por el gobierno durante mucho tiempo: algunos de ellos se publican desde 1800, otros empezaron a publicarse en los últimos 10 años. Mi código sólo considera que los indicadores que se han producido desde 1960 tienen datos suficientes para construir el modelo, es decir, 55 años de historia o 220 datos en cada indicador. Los 10 mil indicadores seleccionados se reducen a 2 mil. Se podría entrar en la discusión de que el mercado actual es significativamente diferente al de hace 50 años. Y estoy bastante de acuerdo con ello: ordenadores, internet, influencia china, injerencia del gobierno estadounidense en la gestión económica, etc. Pero si sólo tomo los datos de los últimos 15 años, sólo obtengo 60 valores en cada indicador, sólo dos recesiones, y eso, como saben los estadísticos, no es suficiente para construir un modelo. Así que tengo que profundizar en la historia, cuando la economía era diferente. Como resultado, surgen otras dificultades: lo que describía la economía entonces, no la describe bien hoy. Por cierto, intenté acortar la historia en 15-20 años, pero las predicciones fueron mucho peores.
Como he escrito antes, no elijo los predictores, sino el código por error de predicción. Sólo miro el modelo final y compruebo cuáles son los indicadores. Por ejemplo, un indicador es el inicio de la construcción de viviendas:
https://research.stlouisfed.org/fred2/series/HOUST1F
Si se observa este gráfico, se puede ver la tendencia a la disminución de la construcción de viviendas antes de las recesiones. Los indicadores elegidos por el código dependen en gran medida del método de conversión de datos. Acepto perfectamente que los futuros tengan un impacto en el PIB. Si hay una serie temporal que refleje los futuros, muéstrame el enlace. Todos mis predictores están tomados de la base de datos FRED2 de la Fed. Hay indicadores económicos y financieros:
https://research.stlouisfed.org/fred2/categories
El problema de estos indicadores es que hay unos 300 mil. Muchos datos regionales e internacionales. Tuve que descartar manualmente los datos "innecesarios" para evitar cargar el código. Tenemos unos 10 mil indicadores. Pero no todos estos indicadores han sido publicados por el gobierno durante mucho tiempo: algunos de ellos se publican desde 1800, otros empezaron a publicarse en los últimos 10 años. Mi código sólo considera que los indicadores que se han producido desde 1960 tienen datos suficientes para construir el modelo, es decir, 55 años de historia o 220 datos en cada indicador. Los 10 mil indicadores seleccionados se reducen a 2 mil. Se podría entrar en la discusión de que el mercado actual es significativamente diferente al de hace 50 años. Y estoy bastante de acuerdo con ello: ordenadores, internet, influencia china, injerencia del gobierno estadounidense en la gestión económica, etc. Pero si sólo tomo los datos de los últimos 15 años, sólo obtengo 60 valores en cada indicador, sólo dos recesiones, y eso, como saben los estadísticos, no es suficiente para construir un modelo. Así que tengo que profundizar en la historia, cuando la economía era diferente. Como resultado, surgen otras dificultades: lo que describía la economía entonces, no la describe bien hoy. Por cierto, intenté acortar la historia en 15-20 años, pero las predicciones fueron mucho peores.
Como dice un viejo conocido mío que vive en Canadá: tu número ocho, te lo preguntarán después.
Es importante saber cuál es su lugar en esta cola.
En cierto modo es degradante e insultante para nosotros mismos. ¿No hay sentido de la dignidad? No llegarás muy lejos con esa actitud.
No soy un experto en economía y no sé hasta qué punto es sabio el número 1, pero en mi campo de la ciencia puedo asegurar que los profesores universitarios saben mucho menos que la gente que trabaja en las empresas, los profesionales. Supongo que en economía pasa lo mismo: sólo hay un par de expertos capaces de elaborar nuevas teorías, y el resto está, como dicen los americanos, puliendo la manzana. ¿Cree que los bancos federales emplean a lumbreras que saben predecir la economía? ¿Y en 2008? Bernanke se negó a bajar los tipos hasta septiembre de 2007, 3 meses antes de que comenzara oficialmente la recesión. ¿Y qué hay del fondo de cobertura Long-Term Capital Management, que quebró a finales de los años 90 y fue rescatado por los bancos compradores y el gobierno? Este fondo estaba dirigido por dos premios Nobel, Scholes y Merton.Scholes, como sabrá, es uno de los autoresdel modelofinancieroBlack-Scholes(modelo de fijación de precios delas opciones) por el que recibió su premio Nobel. Por qué será que los inversores ricos (y esos eran los miembros de LTCM) ganan buen dinero o pierden dinero pero siempre lo recuperan, como mucho del gobierno, mientras que otros inversores pierden dinero en bolsa y ya está, nadie les rescata.
https://en.wikipedia.org/wiki/Long-Term_Capital_Management
Sinceramente, yo no lo he leído, pero ¿alguien ha leído a Didier Sornetto?
Voy a exponer mi experiencia con la transformación de datos de entrada. Hay varias formas de transformar los datos que se exponen en los artículos sobre modelización económica:
1. Diferencia: x[i] - x[i-1]. Aplicable si la entrada x[] tiene una varianza constante. Tengo unos 2 mil predictores con historiales que se remontan a 1960. Para ver cómo varía su varianza con el tiempo, calculé la diferencia x[i] - x[i-1], la elevé al cuadrado, luego la promedié usando el filtro Hodrick-Prescott con lambda 1e7 y tomé la raíz para ver la varianza en función del tiempo. Luego dividí la varianza al final de la historia (cuarto trimestre de 2015) por la varianza al principio de la historia (primer trimestre de 1960) para cada variable de entrada e hice un histograma:
Muchos insumos tienen una varianza más o menos constante (la proporción de la varianza al principio y al final de la historia es aproximadamente 1). Pero también hay muchas entradas con un ratio de varianza de 3 o más. La varianza del PIB aumenta unas 4 veces desde 1960 hasta hoy. Dado que no es posible construir un modelo de PIB con insumos cuya varianza no cambia, la transformación de los insumos por la varianza es insuficiente.
2. Momento: x[i]/x[i-1] - 1 o log(x[i]/x[i-1]). Normaliza automáticamente las entradas con diferente varianza, pero sólo funciona si todos los datos son positivos. La fórmula x[i]/x[i-1] - 1 = (x[i] - x[i-1])/x[i-1] puede considerarse como el cálculo del crecimiento en %, es decir, x[i] - x[i-1] como porcentaje de x[i-1]. Si x[i-1] es cero, esta fórmula no tiene sentido y da un valor infinito. Cuando x[i-1] es negativo, esta fórmula tampoco tiene sentido. Aproximadamente el 15% de los indicadores económicos tienen valores tanto positivos como negativos. Puede intentar utilizar el impulso para las series positivas y la varianza para las negativas, con la esperanza de que las series negativas tengan una varianza aproximadamente constante. Desgraciadamente, hay algunos indicadores económicos que tienen valores positivos y negativos y la varianza crece fuertemente con el tiempo. Por ejemplo:
3. La varianza normalizada por la varianza es (x[i] - x[i-1])/StdDev[i]. Según mi experiencia, ésta es la mejor y más versátil transformación, adecuada para todo tipo de datos. Aquí hay dos problemas graves: (1) cómo calcular correctamente la varianza dependiente del tiempo de StdDev, y (2) cómo convertir la predicción de nuevo a la forma de la serie original si la varianza futura es desconocida.
Yo dividiría toda la matemática económica moderna en dos partes
La división parece equivocada, ya que es imposible predecir el futuro sin analizar el pasado.
En la práctica, sin embargo, he comprobado que no es así. Existe una distinción, que es fundamental.
1. Hay un análisis en sí mismo. Analizamos el desempleo y buscamos los factores que influyeron en él en el pasado.
2. Y hay otro análisis. En un primer momento, se trata de predecir el desempleo y buscar los factores que influyen en él en el futuro.
En el primer caso, si queremos predecir el futuro, extrapolamos los resultados de nuestro análisis. En este caso, nos encontramos con una situación en la que la diferencia entre el valor extrapolado y el valor actual cae dentro del intervalo de confianza, lo que significa que el mejor predictor basado en la extrapolación es el valor actual.
En el segundo caso, no nos interesa el valor anterior. Calculamos un nuevo valor futuro (tendencia) a partir de los datos históricos, en lugar de continuar el pasado hacia el futuro. En este caso, cuando llegan nuevos datos, el modelo hace una predicción basada en el conocimiento de situaciones pasadas, que no son necesariamente anteriores, sino que fueron en el pasado.
Es decir, la extrapolación debe distinguirse rigurosamente de la predicción.
Las diferencias aparentemente sutiles conllevan consecuencias muy graves.
1. La propia variable de destino. Resulta que no es ni mucho menos una pregunta ociosa. Es imposible hacerlo sin un análisis exhaustivo de las propiedades de la variable objetivo, especialmente teniendo en cuenta el punto 2.
Selección de predictores relevantes para la variable objetivo. Selección de predictores que tienen potencial predictivo para la variable objetivo por sus propiedades. Por ejemplo, la variable objetivo: crecimiento-decrecimiento. Necesitamos predictores que sean relevantes para el crecimiento-decrecimiento de la variable objetivo, pero no nos interesan los predictores que predicen el valor de la variable objetivo.
PS.
Por experiencia. En este enfoque de predicción de variables nominales, no he encontrado ningún efecto sobre la capacidad de predicción de los predictores al preprocesarlos como se ha descrito anteriormente, y por métodos más radicales como la transformación en un conjunto de componentes principales (PCA u otros), que tienen propiedades sorprendentes para nosotros, y ninguna utilidad.