Econometría: previsión de un paso adelante - página 41
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
Si el m.o.s. es de 10 pips y el s.c.s. es de 100, es teóricamente posible que la rentabilidad global tenga que esperar demasiado.
¿No es la propia predicción una expectativa matemática del modelo
Todo está bien si el error es estacionario. Muchas veces he escrito y dado gráficos del error, que tienen un aspecto muy enrevesado.
No veo muy bien cómo la no estacionariedad del error puede afectar a la estimación de la previsión. ¿Acaso el error no afecta en última instancia sólo al riesgo del modelo en el contexto del valor en riesgo?
Para captar tal ventaja estadística y poder hablar de su importancia, no necesitamos 100 transacciones, sino muchas más, decenas de miles.
Supongamos que hay N acuerdos. La ventaja de las estadísticas (2% * N) debe ser al menos dos veces mayor que sqrt(N). Y al mismo tiempo estaremos seguros en un 95% del valor de la ventaja de las estadísticas.
¿Cuál es la calidad del 97% de esta máquina (si se trata de HP)? ¿Existe una fórmula?
La importancia de las estimaciones estadísticas de mo y varianza depende de la propia varianza y de la raíz del número de transacciones, no de la ventaja (mo). Es decir, si el mo de un sistema es 2 veces mayor que el mo de otro sistema, entonces para la misma precisión de mo y estimaciones de mo se necesitan 4 veces más operaciones en el primer sistema. Por supuesto, todo se describe de forma más competente en intervalos de confianza (su anchura). La anchura del MDI de Mo y las estimaciones de dispersión dependen de la propia dispersión y de la raíz del número de acuerdos
P.D. Todo esto, por supuesto, para las distribuciones estacionarias. Con la no estacionariedad, la DM no está definida en absoluto, al menos se necesita estacionariedad temporal o una aproximación a ella
No veo muy bien cómo la no estacionariedad del error puede afectar a la estimación de la previsión. ¿Acaso el error no afecta en última instancia sólo al riesgo del modelo en el contexto del valor en riesgo?
Utilizo la siguiente definición de estacionariedad: aproximadamente la constante mo y la desviación estándar. Aquí está uno de los gráficos:
¿Qué garantía hay de que en una previsión fuera de la muestra (y sólo estamos considerando esa opción) no se produzca otro error atípico? Además, al estar seguro de que el error es casi una constante (¿el diferencial de 25 pips en el gráfico es una constante?), o bien planteas, razonando sobre los riesgos en forma de intervalos de confianza de ejecución de la previsión, o bien consideras la previsión como una constante y crees piadosamente en esa cifra.
No veo muy bien cómo la no estacionariedad del error puede afectar a la estimación de la previsión. ¿Acaso el error no afecta en última instancia sólo al riesgo del modelo en el contexto del valor en riesgo?
el valor predicho es una estimación mo la serie futura, y el error es su varianza (sko). Lo que en realidad se está prediciendo es una distribución futura de los incrementos de precios. Si esta distribución no es estacionaria, entonces no se puede confiar en la estimación de mo ni en la de su varianza. Es decir, no se puede confiar en la previsión
la importancia de las estimaciones estadísticas de mo y varianza depende de la propia varianza y de la raíz del número de transacciones, no de la ventaja (mo). Es decir, si el sko de un sistema es 2 veces más que el sko de otro, entonces para la misma precisión de las estimaciones mo y sko se necesitan 4 veces más operaciones en el primer sistema. Por supuesto, es mejor describir todo en intervalos de confianza (su anchura). La amplitud del IDM de las estimaciones de mo y varianza depende de la propia varianza y de la raíz del número de operaciones
Ahora empiezo a entender. Resulta que cuanto mayor es el s.c.o., mayores son los requisitos para que el valor del m.o. confirme su significación estadística. Para el c.s.o. del modelo actual su m.o. es demasiado insignificante para ser estadísticamente significativo y no se puede utilizar dicho modelo.
La importancia de las estimaciones estadísticas de mo y varianza para
Estoy completamente de acuerdo con esto, pero para mí la pregunta interesante es ¿qué sucede fuera de la muestra?
¿Qué hay que analizar dentro de la muestra para aumentar la probabilidad de que se cumpla una predicción fuera de la muestra?
¿Es suficiente el cálculo del error y el requisito de estacionariedad para el mismo?
Una última pregunta. ¿Cuál es el horizonte de previsión? ¿Un paso o varios pasos? Si son varios pasos, ¿cómo se define esta posibilidad?
Ahora empiezo a entender. Resulta que cuanto mayor es el s.c.o., mayores son los requisitos para que el valor del m.o. confirme su significación estadística. Para el c.s.o. del modelo actual, su m.o. es demasiado insignificante para ser estadísticamente significativo, y dicho modelo no puede utilizarse.
aproximadamente. Como resultado de las pruebas de predicción (o TC) obtenemos estimaciones de mo y sko - son 2 números. En realidad es un error: tenemos dos intervalos y los valores resultantes son sus puntos medios. Es decir, si tenemos mo=10pnuts, entonces en realidad mo=10+-delta. Este delta depende del sko - cuanto más grande es, mayor es el delta y del número de operaciones (raíz). Es decir, delta es directamente proporcional a sko/Root(N)
¿Es suficiente el cálculo del error y el requisito de estacionariedad para el mismo?