Econometría: previsión de un paso adelante - página 73
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
Sí, 40 es un poco bajo. Hice la prueba y escribí arriba. Después de 70, el aumento de la muestra no afecta al resultado. Este es el resultado de la longitud de la muestra. Es digno de mención. Se estiman los coeficientes del modelo:
EURUSD = C(1)*HP1(-1) + C(2)*HP1(-2) + C(3)*HP1_D(-1) + C(4)*EQ1_HP2(-1) + C(5)*EQ1_HP2(-2) + C(6)*EQ1_HP2(-3) + C(7)*EQ1_HP2_D(-1) + C(8)*EQ1_HP2_D(-2) + C(9)*EQ1_HP2_D(-3) + C(10)*EQ1_HP2_D(-4)
Hay 10 en total. Todos los coeficientes son variables aleatorias. Pregunta: a qué longitud de muestra se convertirán aproximadamente en una constante. Mostraré todos los coeficientes en una sola figura:
En este caso, la muestra es de 80 observaciones. Vemos que después de la mitad de la muestra todo está resuelto y especialmente el error de la evaluación del coeficiente. Para el primer coeficiente daré uno mayor:
Se trata de una estimación del propio coeficiente: vemos que su valor no es una constante.
Y ahora el error de estimación del coeficiente:
Por lo tanto, concluyo que la muestra debe ser superior a 60 observaciones.
Necesitamos coeficientes estables con un error pequeño: ¡es una medida de la longitud de la muestra!
La convergencia de los coeficientes del modelo o de sus errores a algún número no determina el número de observaciones necesarias. Tomemos un LR ordinario y cuanto más pequeños sean los datos, más rápido cambiará sus coeficientes y más lentamente aumentará. Pero esto es una propiedad de la propia regresión, no de su precisión en la predicción de las series. Y no determina el tamaño de la ventana de cálculo de la regresión.
Si se aplica un criterio, que da resultados numéricos, se debe saber no sólo un número, sino hasta qué punto se puede confiar en él en este caso. Por ejemplo, para este fin, la estadística matemática utiliza el DI.
Y por cierto, sobre el análisis de los residuos para la distribución normal: sólo 116 observaciones es muy poco para que los resultados sean fiables. Es decir, por supuesto, se puede aplicar la prueba y atribuirá la distribución a la normalidad con cierta probabilidad, pero ¿cuál es el intervalo de confianza de esta predicción? Es decir, el 25% es de nuevo un valor muy aproximado y puede ser el rango de 0...50 con un 95% de confianza, por ejemplo, y puede ser 22...28. Depende tanto del número de observaciones como de la varianza. Me parece que con 116 observaciones el IC sería enorme.
No analizo la normalidad. ¿Por qué?
En primer lugar, tenemos que extraer del cociente lo que podemos utilizar: la correlación de las observaciones. Si obtenemos un residuo sin correlaciones, entonces tenemos que averiguar si hay alguna otra información que se pueda utilizar - ARCH. Si lo hay, entonces modele (escriba una fórmula analítica) esta información también. El residuo ideal es aquel del que no podemos (no sabemos cómo, no conocemos) extraer ninguna información para su modelización.
Decídete de alguna manera.....
La convergencia de los coeficientes del modelo o de sus errores a algún número no determina el número de observaciones necesarias. Tomemos un LR ordinario y cuanto más pequeños sean los datos, más rápido cambiará sus coeficientes y más lentamente aumentará. Pero esto es una propiedad de la propia regresión, no de su precisión en la predicción de las series. Y no determina el tamaño de la ventana de cálculo de la regresión.
Si aplicas algún criterio que da resultados numéricos, necesitas saber no sólo el número, sino hasta qué punto puedes confiar en él en un caso determinado. Por ejemplo, la estadística matemática utiliza un DI para este fin.
El razonamiento no es muy claro: ¿por qué aumentar la ventana si el coeficiente es constante y el coeficiente de oscilación es constante? Podemos verlo en las cifras.
Es un hábito muy útil leer una frase hasta el final, o mejor aún, un párrafo hasta el final, o mejor aún, todo lo que el autor escribe.
¡Por fin el adepto de la secta, ha revelado el principal secreto del truco religioso!
¡Elemental, Watson! Porque no son estacionarios. La estacionariedad se da cuando la dispersión y la expectativa son constantes y no dependen de la muestra en la que se miden. Es decir, en cualquier otra muestra independiente, deberíamos obtener aproximadamente las mismas constantes. Si no los conseguimos, la hipótesis de la estacionariedad queda refutada.
La hipótesis de estacionariedad puede comprobarse de otra manera aumentando la dimensión de la muestra. En el caso de la estacionariedad, tanto la varianza como la expectativa también deben permanecer constantes.
¡Oh, vamos! El principal problema del modelo no está en la no estacionariedad del mercado, sino en el propio modelo, sencillamente no puede funcionar, como demuestra el probador de estrategias, cosa que el tópico no quiere admitir, y al mismo tiempo se pregunta por qué su modelo no funciona. No hay necesidad de hacer tanto lío con R^2, etc. cuando una simple prueba es mucho más objetiva para saber qué es qué.
Si quiere esa estacionariedad, utilice los gráficos de equivolumen. Por qué, la volatilidad es una constante, la dispersión y el m.o.s. deben ser finitos, pero no servirá de mucho, ya que el modelo no funcionó en los gráficos ordinarios y tampoco funcionará en los gráficos de equivocidad.
No analizo la normalidad. ¿Por qué?
En primer lugar, lo que se puede extraer del cociente es la correlación entre las observaciones. Si obtenemos un residuo sin correlaciones, entonces tenemos que averiguar si hay alguna otra información que se pueda utilizar - ARCH. Si lo hay, entonces modele (escriba una fórmula analítica) esta información también. El residuo ideal es aquel del que no podemos (no sabemos cómo, no conocemos) extraer ninguna información para su modelización.
¿Cómo no analizarlo? Lo tienes escrito en tu artículo 1.3. Estimación de los residuos de una ecuación de regresión
Obtienes números específicos -
"La probabilidad de que el residuo se distribuya normalmente es del 25,57%".
ACF, etc. etc.
Pero estas cifras no tienen ningún valor si no se indica hasta qué punto son creíbles.
¿Se puede confiar en el factor de beneficio de 400 operaciones tanto como en el de 40? Lo mismo ocurre con todos los demás valores estadísticos y criterios numéricos: se necesitan estimaciones precisas. El intervalo de confianza es una forma de hacerlo. 116 observaciones no es suficiente para creer en los resultados de atribución o no atribución de una distribución a la normalidad, sea cual sea el criterio aplicado.
La sordera es asombrosa.
Llevo años insistiendo en esto: el kotir no es estacionario y no se puede predecir.
Lo he dicho a lo largo de todo este hilo: el cociente es no estacionario, pero se puede predecir si el residuo del modelo es estacionario. El residuo es interesante porque entonces se puede sumar el modelo (analítico) con un residuo estacionario. Esta suma es igual al cociente, no se pierde ni un punto. He escrito cien veces más arriba. No es lo mismo, chukchi adeptos que son escritores pero no lectores.
Sigue hablando. El residuo es no estacionario, porque si un modelo ajustado a una sola muestra se prueba en cualquier otra muestra independiente, el residuo deja de ser una constante. Es posible hacer ajustes a otras muestras, pero después de esos ajustes obtenemos un modelo diferente para cada muestra individual.
Una vez más, lo repito para los especialmente dotados: la estacionariedad sólo puede ser revelada por la coincidencia de datos estadísticos en muestras diferentes e independientes. Y no hay tal coincidencia.
El truco de las manipulaciones econométricas es que han encontrado un método para ajustar un modelo a una muestra de forma que todos los residuos de esa muestra sean aproximadamente iguales. Pero como ese truco sólo se produce para una única muestra y en otras muestras el modelo da resultados diferentes, los residuos no son estacionarios, sino que sólo se ajustan a una única muestra. Los modelos econométricos no pueden extrapolar el futuro porque aún no disponen de datos históricos (que sólo aparecerán en el futuro) que puedan ajustarse al modelo.
Es lo mismo que un indicador de redistribución: ajustar sus lecturas a datos concretos, cambiándolos de forma retroactiva.
El razonamiento no es muy claro: ¿por qué aumentar la ventana si el coeficiente es constante y el coeficiente osh. es constante? Podemos verlo en las cifras.
No estoy sugiriendo que se amplíe la ventana para calcular los coeficientes de regresión. La ventana para ello no está definida por su convergencia a un número. Me refiero al número de observaciones y cómo afecta a la precisión de su criterio y a las estimaciones estadísticas