Predicción de mercado basada en indicadores macroeconómicos - página 8
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
La sustitución de una línea recta de regresión por dos líneas rectas, una para valores de entrada positivos y otra para valores de entrada negativos, no mostró ninguna ventaja particular. El intento de predecir el PIB en lugar del S&P500 dio como resultado una RMS más baja de las predicciones, pero el número óptimo de entradas sigue siendo 1. Por lo tanto, añadir un segundo y un tercer predictor siempre conlleva un aumento de la RMS de la prepredicción. No me gusta esto. Me gustaría ver un modelo con más variables. Así que la búsqueda de modelos, datos y sus transformaciones continúa.
el aumento del número de variables aumenta naturalmente la varianza global
número óptimo de predictores de 5 a 8 (imho)
Dow Jones y el tipo de interés LIBOR a tres meses del dólar. Curiosamente, los libros de texto dicen que cuando los tipos suben, el mercado baja, pero es al revés.
Sin embargo, no se observa una fuerte correlación.
P.D. ¿Quién puede decirme dónde encontrar datos sobre los tipos de interés anteriores a 1986 y los precios (no los rendimientos) de los Tregers anteriores a 2007?
Dow Jones y el tipo de interés LIBOR a tres meses del dólar. Curiosamente, los libros de texto dicen que cuando los tipos suben, el mercado baja, pero es al revés.
Sin embargo, no se observa una fuerte correlación.
P.D. ¿Quién puede decirme dónde encontrar los datos sobre los tipos de interés anteriores a 1986 y los precios (no los rendimientos) de los T-bills anteriores a 2007?
http://www.treasury.gov/resource-center/data-chart-center/interest-rates/Pages/Historic-LongTerm-Rate-Data-Visualization.aspx
pero realmente muy inconveniente (((.
http://www.treasury.gov/resource-center/data-chart-center/interest-rates/Pages/Historic-LongTerm-Rate-Data-Visualization.aspx
pero es realmente incómodo (((
Lo siento, sólo tiene tarifas.
los precios están aquí pero sólo por mes
http://www.investing.com/rates-bonds/us-10-yr-t-note-historical-data
La sustitución de una única línea de regresión por dos líneas de regresión, una para valores de entrada positivos y otra para valores de entrada negativos, no mostró grandes beneficios. El intento de predecir el PIB en lugar del S&P500 dio como resultado una RMS más baja de las predicciones, pero el número óptimo de entradas sigue siendo 1. Por lo tanto, añadir un segundo y un tercer predictor siempre conlleva un aumento de la RMS de la prepredicción. No me gusta esto. Me gustaría ver un modelo con más variables. Así que la búsqueda de modelos, datos y sus transformaciones continúa. No quiero engañarme a mí mismo muestreando predictores basados en toda la historia y prediciendo a partir de la misma historia mediante predictores seleccionados. El verdadero reto ahora es cómo seleccionar predictores con sólo el historial hasta la fecha prevista. Tal vez la realidad limite la elección a un solo predictor.
No entiendo por qué no se hace RAttle: se utilizan unos modelos cursis y, sobre todo, limitados.
Tengo una sugerencia.
Envíame el archivo tsv.con los nombres de las columnas. Especifique qué (cuáles) columnas deben utilizarse como variables de destino. Naturalmente, la fila de la tabla debe referirse a un punto en el tiempo.
Lo ejecutaré en Rattle y con su permiso publicaré aquí el resultado de 6 modelos muy decentes.
PS.
Regresiones lineales sobre series financieras..... más que cuestionables.
Lo siento, son sólo las tarifas.
Los precios están aquí, pero sólo por mes.
http://www.investing.com/rates-bonds/us-10-yr-t-note-historical-data
Gracias. Datos diarios a juzgar por el gráfico de la web desde 2013.
Regresiones lineales sobre series financieras..... más que cuestionables.
por qué, como modelos simples es bastante adecuado
Por supuesto, no es tan versátil como las redes neuronales, pero aún así
A menudo observo que si una regresión no proporciona modelos de buena calidad, otros optimizadores no proporcionan
Por qué no, ya que los modelos simples son bastante adecuados
por supuesto no es tan versátil como las redes neuronales, pero aún así
a menudo se observa que si la regresión no da un modelo de buena calidad entonces otros optimizadores no dan
Sí, bueno...
Losmodelos de regresión son casi imposibles de aplicar a los datos financieros. Te dan los números, te los crees, y el hecho de que los números que ves no existen en absoluto, te falta el conocimiento para entenderlo - un juego de números.
Pero mi negocio es sugerir... Y ahí, depende de ti...
PS.
Las redes neuronales no dan los mejores resultados. Hay otros modelos, y el resultado es mejor y la estructura interna es interpretable.
Sí, vale...
Los modelos de regresión no son prácticamente aplicables a los datos financieros. Te dan los números, te los crees, y el hecho de que los números que ves no existen en absoluto, te falta el conocimiento para entenderlo - un juego de números.
Pero mi negocio es sugerir... Y ahí, depende de ti...
PS.
Las redes neuronales no dan los mejores resultados. Hay otros modelos, y el resultado es mejor y la estructura interna es interpretable.
Sigo sin estar de acuerdo: la regresión funciona bien con cualquier dato, no necesariamente mejor que otros métodos, pero sí lo suficientemente bien, sobre todo si se tiene en cuenta que los recursos informáticos son extremadamente poco exigentes
Por lo general, se recomienda logaritmizar o tomar deltas antes de la regresión, ¡pero eso acaba con la información sobre la tendencia! - ¿quizás por eso eres escéptico sobre la regresión?
la prenormalización puede estropear los datos, por lo que debe hacerse con mucho cuidado
Estoy de acuerdo en que un modelo tiene que tener sentido "físico"... y cuanto más complejo es un modelo, más se aleja de la interpretación "física", en cualquier modelo complejo los coeficientes son abstractos (a no ser que corresponda a lotes o números/bolas de observación, multiplicadores para calcular la volatilidad o algo así), las redes neuronales son abstractas, los bosques aleatorios también lo son, ¿qué más? la genética? también es un modelo abstracto
En la regresión, los coeficientes suelen interpretarse como la fuerza de la correlación/influencia de un factor, y es bastante lógico calcular la suma de los módulos de los coeficientes y calcular la parte de un coeficiente en la suma: éste será el nivel de significación de la influencia de la variable
Por supuesto, esto no siempre se puede expresar en términos económicos (en este caso hay que construir un modelo sólido y se puede confiar en estas cifras, pero este es un nivel diferente), por ejemplo si se analizan las relaciones entre el índice bursátil y las estadísticas macroeconómicas, se verá algo así como "% de crecimiento del índice a % de crecimiento del índice" o por ejemplo no hay una relación directa entre los saldos en cuentas del Banco Central y un tipo de cambio, pero el modelo puede mostrar que hay una relación, no necesariamente objetiva (que los saldos influyan de alguna manera en el tipo de cambio o viceversa) pero el modelo muestra cambios sincrónicos, así que
si el modelo contiene sólo instrumentos negociados, podemos recalcular los coeficientes en lotes - más que una interpretación física