Discussion de l'article "Approche Économétrique de l'Analyse des Graphiques" - page 8

Nouveau commentaire
 

faa1947:

Il me semble que le topikstarter a tenté de résoudre la question par un coup de sabre audacieux - les progiciels économétriques offrent beaucoup plus de modèles que le GARCH. Choisir un modèle et ensuite choisir les paramètres du modèle est le milieu du chemin, pas le début...

Oui, plus. Le GARCH a été pris comme exemple à des fins d'illustration. Il n'a pas été évalué du tout. Et encore moins les autres modèles. Cela a été dit à plusieurs reprises.

Dans les posts précédents, il y a eu des critiques sur l'analyse basée sur les différences. Je pense que cette critique est due au fait que l'auteur a manqué l'étape de la préparation des données initiales.

Selon l'auteur de l'article, la non-stationnarité est le seul mal du marché. Ce n'est pas le cas.

Elle ne l'est pas. Les autres maux sont les "queues grasses", le regroupement de la volatilité et les effets de levier.....

1. Nous devons décider du nombre de bougies dans l'échantillon. Le nombre de bougies dans l'échantillon dépend-il de l'horizon temporel ? D'après la littérature, 50 bougies devraient suffire.

Et j'ai vu des données selon lesquelles l'inconvénient des modèles non linéaires est la nécessité d'un grand échantillon... environ 1000 pièces. environ 1000 pièces.

2. Essayons d'adapter une distribution à notre échantillon. De préférence une distribution normale. La question qui se pose immédiatement est celle du nombre de racks par rapport auquel le graphique est tracé. Où avez-vous trouvé le nombre de casiers sur lequel le graphique est tracé ?

Il ne sera pas normal. J'en parlerai plus tard dans l'article sur les distributions. Il sera bientôt publié.

Veuillez préciser la signification du terme "rack".

 
faa1947:
наличие выбросов: следует заменить выбросы, т.е. котировки свыше некоторого порога (например, 3 сигма) на величину порога. У Булашова другое мнение о величине порога.

- vérifier par Fourier ou ACF pour les cycles, juste au cas où. En raison de l'échantillon limité et des propriétés du marché lui-même, il est très probable qu'il n'y ait pas de cycles.

- résoudre le problème des tendances. Je ne peux pas être d'accord avec l'auteur - le fait de détendre la tendance en soustrayant le MOG est une grave simplification du problème. Le logarithme est pris pour une tendance exponentielle, alors que pour une tendance additive, les premières différences suffisent. La tendance devra être traitée séparément et des régressions seront nécessaires, avec toute la variété des régressions. Il faut soustraire la régression, et non le MOG. Cela vaut pour les tendances déterministes, mais il existe également des tendances statistiques.

Sans aborder ces questions, le raisonnement sur les caractéristiques statistiques de l'échantillon n'a aucun fondement...

Je suis d'accord pour dire que nous devons travailler sur l'échantillonnage. C'est déjà une question de tapis. statistics....

Il n'existe pas de méthodes universelles pour éliminer les valeurs aberrantes...

C'est pourquoi la taille de l'échantillon doit être importante.

En ce qui concerne les tendances. Je n'ai pas étudié la question. Je m'en souviendrai.

 
-Alexey-:
Браво! Отличный пост, затрагивает многие вопросы. Но, некоторые пункты можно критиковать. Например, один из них - на основании чего вы решили, что нужно удалять выбросы? Их удалять нельзя.
Je pense que c'est possible. Elles ne doivent en aucun cas affecter les paramètres statistiques de l'échantillon (en particulier, les paramètres de distribution). C'est pourquoi il s'agit de valeurs aberrantes.
 
-Alexey-:

Pour autant que je sache, les valeurs aberrantes sont supprimées lors des mesures lorsque l'on sait à l'avance que les résultats sont unis par au moins une certaine loi, c'est-à-dire, en d'autres termes, lorsque le processus générant la valeur mesurée est non aléatoire ou aléatoirement stationnaire, et que la valeur aberrante peut être causée par l'aléa (dépassant les limites de l'absence d'aléa ou de la stationnarité), et qu'un tel aléa constitue dans ce cas une distorsion. Si nous avons affaire à une série de prix, non stationnaires, le caractère aléatoire, quel que soit son niveau, fait partie des statistiques (en plus de la partie non aléatoire, mais il est difficile de les séparer), et l'élimination d'une partie des statistiques, respectivement, est une distorsion des statistiques. Je suis plus proche de l'idée que lorsque l'on travaille avec un processus aléatoire non stationnaire, on n'a pas le droit de supprimer (couper) quelque chose.

Je n'en sais rien. D'où vous vient cette idée ? En général, une valeur aberrante est considérée comme telle lorsqu'elle dépasse une certaine valeur du critère statistique. D'ailleurs, la procédure est décrite par Bulashev. En d'autres termes, la présence de non-stationnarité ou de stationnarité n'est pas un critère permettant d'appliquer ou non la procédure de suppression des émissions.
 
faa1947:
Выброс выбросу рознь. Приходится просматривать котировки. Если выброс - это относительно редкое явление, то следует обрезать до порога (не удалять). Если это не так, то не понятно что делать. В принципе, выбросы сильно искажают статистику. Любой пакет статистики предусматривает такую возможность и дает соответствующие рекомендации.
Je suis plutôt d'accord. Mais il est nécessaire de comprendre clairement sur quelle base nous supprimons certaines émissions. Je veux dire que nous devons construire un système de règles... traitement statistique.
 
faa1947:

Le problème le plus profond de l'application des statistiques mathématiques et de l'économétrie est que les données initiales, les résultats intermédiaires et les conclusions doivent être vérifiés par des méthodes extra-mathématiques - intuitives. La sélection du seuil de coupure (2, 3, 4 sigma ou autre) n'est possible qu'après un examen visuel du graphique et renvoie au problème de la sélection des intervalles de confiance. Le plus grand problème de l'application de la mathématique est que son application n'est pas concevable sans l'art du statisticien lui-même. Personne ne formulera la règle "couper - ne pas couper". Si vous coupez, vous supprimez la caractéristique de non-stationnarité, si vous ne coupez pas, vous déformez la véritable distribution de la population générale en raison d'un échantillonnage infructueux.

Le cœur de l'économétrie est le test d'hypothèse, où il est possible de commettre des erreurs du premier et du second type : rejeter l'hypothèse nulle correcte en faveur de l'hypothèse alternative incorrecte, et rejeter l'hypothèse alternative correcte en faveur de l'hypothèse nulle incorrecte.

Compte tenu de ce qui précède, je peux être à la fois d'accord et en désaccord avec vous. Il est impossible de répondre sans équivoque à votre question sans considérer au préalable un échantillon spécifique.

Je suis d'accord. Il y a du subjectivisme. Mais je m'en tiens à ce que l'hypothèse soit évaluée à l'aide de mat stats....
 
-Alexey-:

Quelles sections pouvez-vous recommander ? Pour chacune de mes affirmations (y compris les questions), je peux fournir un lien vers la matrice.

Oui ? À mon avis, vous avez posé à faa1947 de telles questions que je pense que vous n'êtes pas conscient des problèmes.

Par exemple, la distribution statistique est une caractéristique de variation. La stationnarité est temporelle...

c'est votre perle :

Une vraie distribution caractérise les propriétés d'une série, mais une distribution non stationnaire est par définition une distribution dans laquelle elles changent.

Ensuite, les paramètres du modèle et l'ajustement... Lorsque les paramètres du modèle sont fixés, rien n'est ajusté...

 

faa1947:

Même le topkstarter ne participe pas. J'aimerais une certaine cohérence dans la discussion et le développement de l'article en discussion. Par exemple, dans un premier temps, sur un exemple concret, considérer en détail l'analyse préliminaire des données et leur préparation à la modélisation. Par exemple, sur un exemple concret, examiner en détail l'analyse préliminaire des données et leur préparation à la modélisation :

1. justification de la taille de l'échantillon

2. justification de la nécessité de transformer les données

3. Choix de la méthode de transformation des données :

- traitement des valeurs aberrantes et des données manquantes.

- Transformation des données - élimination des tendances, cyclicité

4. détermination des types de tendances et de leur comptabilisation

5. Ajustement de la distribution aux données transformées.

6. Analyse de la stationnarité des données transformées.

7. Prise en compte de l'hétéroscédasticité

Le topikstarter est un peu abasourdi par l'intérêt manifesté :-))))

Voilà une vraie critique constructive, à mon avis. Un grand merci à mon collègue faa1947. Je vais prendre un peu de temps .... J'essaierai de poster mes réflexions plus tard.... mais en général, je suis d'accord avec la liste de procédures proposée....

 

denkir:

Je vais prendre un peu de temps libre.....

merci.
 
sergeev:
merci.

Que voulez-vous dire par là ? :-)

Il vaut mieux se taire, c'est plus utile ? Vous vouliez dire quelque chose comme ça dans les classiques ?

- Quand vous parlez, Ivan Vassilievitch, on dirait que vous délirez.

123456789101112
Nouveau commentaire