Discusión sobre el artículo "Regresiones espurias en Python"
Un artículo muy interesante. Pero habría sido útil para los operadores sin conocimientos estadísticos profundos que se explicaran brevemente los términos básicos como residuos (diferencia con la predicción), estacionariedad (var. y media const. o no), etc.
Gracias Carl, tienes razón, la próxima vez me acordaré de ser breve para maximizar la utilidad.
Puede que sean dificultades de traducción, pero me gustaría aclararlo. ¿La estacionariedad en el artículo se define para los residuales, es decir, el delta entre los precios reales de cierre de barra y su predicción? Puede que no haya leído bien, pero ¿por qué sacamos conclusiones sobre los mismos datos que se entrenaron, no sería lógico aplicar el modelo sobre una muestra rezagada?
El artículo hace parecer que las series temporales de cotizaciones son estacionarias, pero todas las fuentes nos dicen lo contrario. Creo que se trata de un error de percepción del material.
Además, la cuestión de la precisión del modelo no está cubierta, según he entendido, no es preciso en absoluto, y si es así, ¿entonces podemos aplicar diferentes pruebas con una variación tan fuerte de errores en las respuestas del modelo?
Lo ideal sería ver cómo se excluyeron los predictores, por una técnica u otra, y esto afectó a los resultados del modelo de regresión.
Creo que hacen falta más artículos sobre este tema que puedan aplicarse realmente a las citas.
Creo que hacen falta más artículos sobre este tema que puedan aplicarse realmente a las citas.
Hola Aleksey, como probablemente ya sepas, hay muchas formas diferentes de resolver cualquier problema. Yo prefiero medir los residuos del modelo en datos de prueba que no haya visto antes. Sin embargo, la literatura académica que leía en aquel momento me sugería que incluso los datos de entrenamiento que el modelo ha visto antes siguen estando bien.
Y no era consciente de que la forma en que escribí podría haber sugerido que las series temporales de las cotizaciones del mercado son estacionarias, todos sabemos que no son estacionarias, no era mi intención decir eso, y probablemente podría haber expresado mejor las cosas.
La cuestión de la precisión del modelo estaba fuera de mi alcance, porque los modelos espurios todavía pueden obtener métricas de alta precisión.
Es uno de los primeros artículos que escribí para la comunidad. He aprendido desde entonces, y seguiré ampliando la serie. Esta vez, mantendré la claridad de mi redacción y, sobre todo, demostraré cómo podemos aplicar esto en nuestro beneficio al operar en los mercados financieros.
- Aplicaciones de trading gratuitas
- 8 000+ señales para copiar
- Noticias económicas para analizar los mercados financieros
Usted acepta la política del sitio web y las condiciones de uso
Artículo publicado Regresiones espurias en Python:
Las regresiones espurias ocurren cuando dos series de tiempo exhiben un alto grado de correlación puramente por casualidad, lo que conduce a resultados engañosos en el análisis de regresión. En tales casos, aunque las variables parezcan estar relacionadas, la correlación es casual y el modelo puede no ser confiable.
Antes de sumergirnos en el ámbito del trading algorítmico con aprendizaje automático, es fundamental determinar si existe una relación significativa entre las entradas del modelo y la variable que pretendemos predecir. Este artículo ilustra la utilidad de emplear pruebas de raíz unitaria en los residuos del modelo para validar la presencia de dicha relación en nuestros conjuntos de datos.
Desafortunadamente, es posible construir modelos utilizando conjuntos de datos que no tienen ninguna relación genuina. Lamentablemente, estos modelos pueden producir métricas de error impresionantemente bajas, lo que refuerza una falsa sensación de control y perspectivas excesivamente optimistas. Estos modelos defectuosos se conocen comúnmente como "regresiones espurias".
Este artículo comenzará cultivando una comprensión intuitiva de las regresiones espurias. Después, generaremos datos sintéticos de series temporales para simular una regresión espuria y observar sus efectos característicos. Posteriormente profundizaremos en métodos para identificar regresiones espurias, basándonos en nuestros conocimientos para validar un modelo de aprendizaje automático elaborado en Python. Finalmente, si nuestro modelo está validado lo exportaremos a ONNX e implementaremos una estrategia de trading en MQL5.
Autor: Gamuchirai Zororo Ndawana