Prédiction du marché basée sur des indicateurs macroéconomiques - page 8
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
Le remplacement d'une régression linéaire par deux lignes droites, une pour les valeurs d'entrée positives et une pour les valeurs d'entrée négatives, n'a montré aucun avantage particulier. Tenter de prédire le PIB au lieu du S&P500 a donné lieu à des RMS plus faibles des prédictions, mais le nombre optimal d'entrées est toujours de 1. Ainsi, l'ajout d'un deuxième et d'un troisième prédicteur entraîne toujours une augmentation du RMS de la prédiction. Je n'aime pas ça. J'aimerais voir un modèle avec plus de variables. La recherche de modèles, de données et de leurs transformations se poursuit donc.
l'augmentation du nombre de variables augmente naturellement la variance globale
nombre optimal de prédicteurs de 5 à 8 (imho)
Dow Jones et le taux d'intérêt LIBOR à trois mois sur le dollar. Bizarrement, les manuels disent que lorsque le taux monte, le marché baisse, mais c'est l'inverse.
Toutefois, on ne constate pas de corrélation forte.
P.S. Qui peut me dire où trouver des données sur les taux d'intérêt avant 1986 et les prix (et non les rendements) des Tregers avant 2007 ?
Dow Jones et le taux d'intérêt LIBOR à trois mois sur le dollar. Bizarrement, les manuels disent que lorsque le taux monte, le marché baisse, mais c'est l'inverse.
Toutefois, on ne constate pas de corrélation forte.
P.S. Qui peut me dire où trouver les données sur les taux d'intérêt avant 1986 et les prix (et non les rendements) des bons du Trésor avant 2007 ?
http://www.treasury.gov/resource-center/data-chart-center/interest-rates/Pages/Historic-LongTerm-Rate-Data-Visualization.aspx
mais vraiment très gênante (((.
http://www.treasury.gov/resource-center/data-chart-center/interest-rates/Pages/Historic-LongTerm-Rate-Data-Visualization.aspx
mais c'est vraiment gênant ((()
Désolé, il n'y a que des tarifs.
les prix sont ici mais seulement par mois
http://www.investing.com/rates-bonds/us-10-yr-t-note-historical-data
Le remplacement d'une régression linéaire unique par deux régressions linéaires, l'une pour les valeurs d'entrée positives et l'autre pour les valeurs d'entrée négatives, n'a pas montré beaucoup d'avantages. Tenter de prédire le PIB au lieu du S&P500 a donné lieu à des RMS plus faibles des prédictions, mais le nombre optimal d'entrées est toujours de 1. Ainsi, l'ajout d'un deuxième et d'un troisième prédicteur entraîne toujours une augmentation du RMS de la pré-prédiction. Je n'aime pas ça. J'aimerais voir un modèle avec plus de variables. La recherche de modèles, de données et de leurs transformations se poursuit donc. Je ne veux pas me tromper en échantillonnant des prédicteurs sur la base de toute l'histoire et en prédisant à partir de la même histoire par des prédicteurs sélectionnés. Le véritable défi consiste maintenant à sélectionner des prédicteurs dont l'historique ne va pas au-delà de la date prévue. Peut-être que la réalité limite vraiment le choix à un seul prédicteur.
Je ne comprends pas pourquoi vous n'êtes pas RAttle - vous utilisez des modèles ringards et, surtout, limités.
J'ai une suggestion.
Envoyez-moi le fichier tsv.avec les noms des colonnes. Spécifier quelles (quelles) colonnes doivent être utilisées comme variables cibles. Naturellement, la ligne du tableau doit se référer à un seul moment dans le temps.
Je l'exécuterai dans Rattle et avec votre permission, je posterai ici le résultat pour 6 modèles très décents.
PS.
Régressions linéaires sur les séries financières..... plus que discutable.
Désolé, c'est juste les tarifs.
Les prix sont ici mais seulement par mois.
http://www.investing.com/rates-bonds/us-10-yr-t-note-historical-data
Merci ! Données quotidiennes à en juger par le graphique sur le site web depuis 2013.
Régressions linéaires sur les séries financières..... plus que discutable.
pourquoi, en tant que modèles simples, il est tout à fait approprié
Bien sûr, ils ne sont pas aussi polyvalents que les réseaux neuronaux, mais ils sont tout de même
J'observe souvent que si une régression ne fournit pas de modèles de bonne qualité, alors les autres optimiseurs ne fournissent pas
Pourquoi pas, puisque les modèles simples sont tout à fait adaptés
bien sûr pas aussi polyvalent que les réseaux neuronaux mais quand même
souvent observé que si la régression ne donne pas un modèle de bonne qualité alors les autres optimiseurs ne donnent pas
Ouais, eh bien...
Lesmodèles de régression sont presque impossibles à appliquer aux données financières. Vous obtenez les chiffres, vous les croyez, et le fait que les chiffres que vous voyez n'existent pas du tout, vous manquez de connaissances pour le comprendre - un jeu de chiffres.
Mais mon travail consiste à suggérer... Et là, c'est à vous de voir...
PS.
Les réseaux neuronaux ne donnent pas les meilleurs résultats. Il existe d'autres modèles, dont le résultat est meilleur et dont la structure interne est interprétable.
Ouais, ok...
Les modèles de régression ne sont pratiquement pas applicables aux données financières. Vous obtenez les chiffres, vous les croyez, et le fait que les chiffres que vous voyez n'existent pas du tout, vous manquez de connaissances pour le comprendre - un jeu de chiffres.
Mais mon travail consiste à suggérer... Et là, c'est à vous de voir...
PS.
Les réseaux neuronaux ne donnent pas les meilleurs résultats. Il existe d'autres modèles, dont le résultat est meilleur et dont la structure interne est interprétable.
Je ne suis toujours pas d'accord - la régression fonctionne bien avec toutes les données, pas nécessairement mieux que d'autres méthodes, mais suffisamment bien, surtout si l'on considère la nature extrêmement peu exigeante des ressources informatiques.
Il est généralement recommandé de faire un logarithme ou de prendre les deltas avant la régression - mais cela détruit l'information sur les tendances ! - C'est peut-être pour cela que vous êtes sceptique sur la régression ?
la prénormalisation peut altérer les données, elle doit être effectuée très soigneusement
Je suis d'accord qu'un modèle doit avoir un sens "physique"... et plus un modèle est complexe, plus il est détaché de l'interprétation "physique", dans tout modèle complexe les coefficients sont abstraits (à moins que cela ne corresponde à des lots ou des nombres/boules d'observation, des multiplicateurs pour calculer la volatilité ou quelque chose comme ça), les réseaux neuronaux sont abstraits, les forêts aléatoires sont aussi abstraites, quoi d'autre ? la génétique ? aussi un modèle abstrait
Dans la régression, les coefficients sont généralement interprétés comme la force de la corrélation/influence d'un facteur et il est assez logique de calculer la somme des modules des coefficients et de partager cette somme - ce sera le niveau de signification de l'influence d'une variable.
Bien sûr, cela ne peut pas toujours être exprimé en termes économiques (dans ce cas, vous devez construire un modèle solide et vous pouvez faire confiance à ces chiffres, mais c'est un autre niveau), par exemple, si vous analysez les relations entre l'indice boursier et les statistiques macroéconomiques, vous verrez quelque chose comme "% de croissance de l'indice à % de croissance de l'indice" ou par exemple, il n'y a pas de relation directe entre les soldes des comptes de la Banque centrale et un taux de change, mais le modèle peut montrer qu'il y a une relation objective (pas nécessairement que les soldes affectent un taux de change ou vice versa) mais le modèle montre des changements synchrones, donc
si le modèle ne contient que des instruments négociés, nous pouvons recalculer les coefficients en lots - plus qu'une interprétation physique