Estadística de la dependencia entre comillas (teoría de la información, correlación y otros métodos de selección de características) - página 28
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
Та же возвратность тоже является установленным свойством ценовых рядов
El hecho de que las distribuciones del mercado sean de la forma Parreto-Levy no significa que sean retornables. Por la misma HMT, la no uniformidad de los insumos determina la agrupación de la volatilidad, que a su vez conlleva una mayor acumulación de pequeños cambios porcentuales en los rendimientos que supera la distribución normal. Pero nada de esto dice sobre las devoluciones. Simplemente no hay información (influencia externa), por lo que no hay operaciones (el mercado está en equilibrio), por lo que no hay movimiento, y la mera ausencia de movimiento no indica que el precio esté listo para volver.
Pero todo esto es irrelevante para el tema.
El hecho de que las distribuciones del mercado sean de la forma Parreto-Levy no significa que sean retornables. Por la misma HMT, la no uniformidad de los insumos determina la agrupación de la volatilidad, que a su vez conlleva una mayor acumulación de pequeños cambios porcentuales en los rendimientos que supera la distribución normal. Pero nada de esto dice sobre las devoluciones. Simplemente no hay información (influencia externa), por lo que no hay operaciones (el mercado está en equilibrio), por lo que no hay movimiento, y la mera ausencia de movimiento no indica que el precio esté listo para volver.
Pero todo esto es irrelevante para el tema.
En este caso lo entendí como el deseo del mercado de volver a los precios del pasado (retorno).
Porrendimiento se entiende la rentabilidad, que de nuevo en nuestro sentido es la variación porcentual del precio durante el periodo t.
Retorno: significa devolución o retorno, que en el contexto del mercado puede interpretarse como el deseo del mercado de volver a los precios del pasado.
Para referirse a las devoluciones es mejor utilizar la palabra "devolución" o decir "retornos" y para referirse a la devolución es decir retorno.
En este caso lo entendí como el deseo del mercado de volver a los precios del pasado (retorno).
Returns
retorno
que de nuevo en nuestro sentido es el cambio porcentual del precio en el periodo t
.Returns significa vuelta
a los retornos debemos usar "return" o decir "retornos" y cuando nos referimos a la vuelta debemos decir retorno.
¿Alguien se ha preguntado alguna vez si los movimientos de los precios pueden compararse con los de un ascensor en un edificio de gran altura con mucho tráfico entre plantas? ¿Es posible predecir la posición del ascensor utilizando los conceptos "barra", "TF", "tendencia", "plano", "niveles", "tendencias", ....?
fácilmente, normalmente las luces del primer piso están encendidas.
En
este caso lo entendí como el deseo del mercado de volver a los precios pasados (retorno)
.Returns
retorno
nuevo en nuestro sentido es un cambio porcentual del precio en el periodo t
. Returns se traduce del
como devolución
nos referimos a los retornos deberíamos utilizar "return" o decir "retornos", pero cuando nos referimos a la devolución deberíamos decir retorno.
Es posible que este sea el caso. Pero cuando construimos una serie de retornos de la siguiente forma: X[t]-X[t-1], casi no lo muestra. Utilizo las palabras rendimientos, incrementos, retornos, todos son una serie de precios diferenciados.
La inclinación de la probabilidad en la dirección del cambio de signo es mínima e insignificante. Pero si se calcula la entropía condicional entre la variable dependiente y los rendimientos a lo largo de dos o más rezagos, entonces toda la desigualdad se contabiliza en la cifra resultante, de modo que la entropía se reduce.
Intenté entrenar NS con datos horarios y tomé sólo los rezagos más informativos (42 variables, en los rezagos 1, 2, 23, 23, 25,... 479, 480, 481). Por desgracia, el resultado no fue muy bueno. Precisión de la predicción del número cuantil - en la región del 30-40%. Aunque, las irregularidades que la red neuronal fue capaz de traducir a la salida, pero las dependencias no son suficientes para la predicción. Todo el problema es que las variables independientes son mutuamente informativas en los lag 1, 2, 24.... y la cantidad total de información sobre la barra de cero es realmente pequeña. Deberíamos pensar como opción en tomar plazos diarios y más antiguos.
Nada nos impide comprobar la estacionariedad de este proceso de información y luego aplicar toda la econometría de un plumazo.
No lo entiendo del todo.
La econometría trabaja con procesos no estacionarios, el algoritmo aproximado se describe en el post. Debemos entender que la no estacionariedad conduce al hecho de que no podemos tomar el mejor indicador o un conjunto de indicadores y obtener TS y operar de forma estable, porque debido a la no estacionariedad cualquier estimación de TS (PF, drawdown y otros) son ficticios y en el futuro aparecerán tales áreas de cociente, donde TS venderá el depósito.
La ciencia de la medición de los datos económicos - la econometría, tiene diferencias con otras ciencias muy respetables, pero es una ciencia independiente y propone actuar de forma coherente, fijando cada resultado intermedio como un modelo, con el objetivo de obtener un residuo estacionario, da estimaciones de estabilidad de la TS futura cuando se trabaja en un mercado no estacionario.
Esto se muestra con un ejemplo para el EURUSD y tres indicadores (línea recta, suavizado exponencial, filtro Hodrick-Prescott) aquí.
Chicos, utilicemos una ciencia distinta para medir los datos económicos, y no intentemos sacar algo de las ciencias vecinas, sólo porque somos demasiado vagos para leer el libro de texto de econometría. En nuestro país, existen libros de texto de este tipo desde el año 2000, es decir, desde hace más de 10 años, las universidades producen especialistas que miden científicamente los datos económicos y no sufren la porquería llamada "dependencia de la información".
Y en general, vivamos en paz.
No lo entendí del todo.
La econometría trabaja con procesos no estacionarios, el algoritmo aproximado se describe en el post. Debemos entender que la no estacionariedad conduce al hecho de que no podemos tomar el mejor indicador o un conjunto de indicadores y obtener TS y operar de forma estable, porque debido a la no estacionariedad cualquier estimación de TS (PF, drawdown y otros) son ficticios y en el futuro aparecerán tales áreas de cociente, donde TS venderá el depósito.
La ciencia de la medición de los datos económicos - la econometría, tiene diferencias con otras ciencias muy respetables, pero es una ciencia independiente y propone actuar de forma coherente, fijando cada resultado intermedio como un modelo, con el objetivo de obtener un residuo estacionario, da estimaciones de estabilidad de la TS futura cuando se trabaja en un mercado no estacionario.
Esto se muestra con un ejemplo para el EURUSD y tres indicadores (línea recta, suavizado exponencial, filtro Hodrick-Prescott) aquí.
Chicos, utilicemos una ciencia distinta para medir los datos económicos, y no intentemos sacar algo de las ciencias vecinas, sólo porque somos demasiado vagos para leer el libro de texto de econometría. En nuestro país, existen libros de texto de este tipo desde el año 2000, es decir, desde hace más de 10 años, las universidades producen especialistas que miden los datos económicos científicamente y no sufren de una tontería llamada "dependencia de la información".
Y en general, vivamos juntos.
Por cierto, he leído tu artículo. Es un artículo valioso, y el problema de la no estacionariedad está bien trabajado allí. Y estoy de acuerdo en que la no estacionalidad de los datos financieros es un problema real y acuciante. Durante muchos meses, cuando dominaba las redes neuronales, probé diferentes transformaciones de las series temporales iniciales para mejorar su estacionariedad, porque las NS son sensibles a este fenómeno y aprenden de forma inadecuada. Y para ser más exactos, la densidad de error en los datos de salida se obtiene de forma desigual, lo que en la práctica conduce a fuertes descensos (sin embargo, con un MO generalmente positivo del modelo).
Digamos que por ahora lo hemos probado simplemente con datos brutos (no del todo brutos, sino una serie diferenciada) para ver qué pasa. No estoy restando importancia a la econometría, aunque no he leído ningún libro de texto.
Cuando tenga tiempo, publicaré mi versión del preprocesamiento de datos, que, a ojo, produce una serie más estacionaria, pero no he hecho pruebas de estacionariedad.