Discussion de l'article "Analyse de régression de l'influence des données macroéconomiques sur la fluctuation des prix des devises" - page 2
Vous manquez des opportunités de trading :
- Applications de trading gratuites
- Plus de 8 000 signaux à copier
- Actualités économiques pour explorer les marchés financiers
Inscription
Se connecter
Vous acceptez la politique du site Web et les conditions d'utilisation
Si vous n'avez pas de compte, veuillez vous inscrire
Jusqu'à présent, aucune autre approche n'a été trouvée....
D'accord. Je ne discuterai pas, je reformulerai : Parmi les nombreuses alternatives, je suggère que la méthode décrite dans l'article soit également considérée comme prometteuse
L'outil que vous avez décrit peut s'avérer utile dans les circonstances suivantes.
1. Dans les travaux sur la construction d'un CT avec un grand nombre de variables indépendantes, plusieurs dizaines ou centaines, l'approche que vous avez esquissée sera utile pour marquer quelques directions de recherche. Si ces directions formelles sont associées à un raisonnement de fond sur l'influence de la variable indépendante sur la variable dépendante et sur l'influence mutuelle des variables indépendantes, c'est très bien.
2. L'outil que vous proposez est une étape de transition vers un ensemble plus large d'outils. Le fait est que STATISTICS, pour autant que je m'en souvienne, est une boîte à outils très limitée et n'est pas à jour. Après avoir fait ce premier pas vers l'analyse de la signification des variables pour la variable cible, il sera naturel de passer à un ensemble plus large d'outils, tels que ceux offerts par l'interpréteur de commandes caret dans R.
L'article est intéressant. Je vous remercie. Mais il s'agit plutôt d'un guide d'utilisation des statistiques. Et il contient beaucoup d'idées fausses.
L'article est intéressant. Je vous remercie. Mais il s'agit plutôt d'un guide d'utilisation des statistiques. Et il contient beaucoup d'idées fausses.
Je n'ai pas complètement exposé mon point de vue et je vais essayer de me rattraper brièvement ci-dessous, en me répétant peut-être.
1. Le problème de la sélection des données initiales - les prédicteurs - est fondamental, mal formalisé et relève plus de l'art que de la science. N'oublions pas un des postulats de base de la statistique : "Garbage in - rubbish out".
2. Comme je l'ai écrit plus haut, plus de la moitié du temps de construction d'un modèle est consacré à la sélection et à la justification de la liste et du type de données initiales. En outre, c'est l'interprétation significative des données initiales, et non leurs caractéristiques formelles et statistiques, qui est d'une importance capitale. Le Matapparatus est un moyen auxiliaire pour une sélection pertinente des données initiales.
3. Conformément à la littérature, je distingue deux types de prévisions : l'une est une prévision, l'autre une prédiction.
4. Prévision : nous prenons l'histoire et l'extrapolons dans le futur quelques pas en avant. Classique : on prend le mach et on l'extrapole vers l'avant. Le principal problème est que l'erreur s'accumule au fur et à mesure que le nombre de pas en avant augmente, puisque la valeur suivante est basée sur la précédente.
5. Prédiction : nous obtenons l'ensemble actuel des données d'entrée et prédisons l'avenir sans aucune préhistoire. La valeur précédente n'est pas utilisée, c'est-à-dire que si nous prédisons +5, nous n'avons pas besoin des 4 valeurs précédentes pour cela, contrairement à la prédiction.
5. Outre les données initiales, il est très important de savoir CE QUE NOUS PRÉDISONS. Lorsque nous faisons du commerce, nous avons deux types d'ordres (avec des options) pour acheter et vendre. Pour une raison ou pour une autre, nous prédisons la valeur future du prix par des régressions et nous concluons "achat et vente" à partir de cette valeur de prix. Et si nous prenons en compte l'erreur et construisons la décision "achat-vente" en tenant compte de l'intervalle de confiance, il devient rapidement clair qu'il est impossible de prendre une décision. Il en découle que : MODELES DE REGRESSION PROGNOSANTS LA SIGNIFICATION - NON PREVISIBLE.
6. Il convient de prévoir la direction de la tendance, qui coïncide avec les ordres des systèmes de négociation. Pour ce faire, on utilise des modèles de classification capables de prédire les valeurs : "long-short" ou "long-side-short", ou quelque chose d'autre de qualitatif, mais non quantitatif, comme : la valeur future de la paire = 1,3500.
7. Pour construire des modèles de classification, cet article peut être très utile.
L'article est intéressant. Je vous remercie. Mais il s'agit plutôt d'un guide d'utilisation des statistiques. Et il contient beaucoup d'idées fausses.
Voici un exemple de mon modèle de régression prédisant le S&P500. La ligne noire est l'indice historique, la ligne bleue horizontale solide est la moyenne trimestrielle, et la ligne pointillée est la prévision. Les prévisions sont exprimées en trimestres. La précision des prédictions n'est pas très grande, mais elle est suffisante pour prédire le caractère des mouvements : à la baisse, à la hausse, à plat. Le modèle prédit que le marché baissera au cours des 3,5 mois restants de cette année ou, dans le meilleur des cas, qu'il restera stable. Je n'utilise ces prévisions que pour sortir du marché à temps.
Question ou demande à l'auteur - dans le modèle obtenu, veuillez aller dans l'onglet Avancé des résultats et cliquer sur le bouton Corrélations partielles.
Affichez ici, si ce n'est pas difficile, la valeur des coefficients PC pour chacun des facteurs du modèle.
Question ou demande à l'auteur - dans le modèle obtenu, veuillez aller dans l'onglet Avancé des résultats et cliquer sur le bouton Corrélations partielles.
Affichez ici, si cela n'est pas difficile, la valeur des coefficients PC pour chacun des facteurs du modèle.
Toutes les opérations peuvent être effectuées par vous-même, le fichier contenant les données préparées est joint à l'article dans l'archive calendar_2010-2011_usd_out. zip .