Statistiques de dépendance entre guillemets (théorie de l'information, corrélation et autres méthodes de sélection de caractéristiques) - page 28
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
Та же возвратность тоже является установленным свойством ценовых рядов
Ce n'est pas parce que les distributions du marché sont de la forme Parreto-Levy qu'elles sont retournables. Par la même HMT, la non-uniformité des entrées détermine le regroupement de la volatilité, qui entraîne à son tour une accumulation accrue de petits pourcentages de variation des rendements qui dépasse la distribution normale. Mais tout cela ne dit rien sur les retours. Il n'y a tout simplement pas d'information (influence extérieure), il n'y a donc pas de transactions (le marché est en équilibre), il n'y a donc pas de mouvement, et la simple absence de mouvement n'indique pas que le prix est prêt à revenir en arrière.
Mais tout cela est sans rapport avec le sujet.
Ce n'est pas parce que les distributions du marché sont de la forme Parreto-Levy qu'elles sont retournables. Par la même HMT, la non-uniformité des entrées détermine le regroupement de la volatilité, qui entraîne à son tour une accumulation accrue de petits pourcentages de variation des rendements qui dépasse la distribution normale. Mais tout cela ne dit rien sur les retours. Il n'y a tout simplement pas d'information (influence extérieure), il n'y a donc pas de transactions (le marché est en équilibre), il n'y a donc pas de mouvement, et la simple absence de mouvement n'indique pas que le prix est prêt à revenir en arrière.
Mais tout cela est sans rapport avec le sujet.
Dans ce cas, j'ai compris qu'il s'agissait du désir du marché de revenir aux prix passés (retour).
Returns signifie rendement, qui, toujours dans notre sens, est le pourcentage de variation du prix sur la période t.
Rendements - signifie retour ou rendement, ce qui, dans le contexte du marché, peut être interprété comme le désir du marché de revenir aux prix passés.
Lorsqu'on parle de retours, il est préférable d'utiliser le mot "retour" ou de dire "retours" et lorsqu'on parle de retour, il faut dire "retour".
Dans ce cas, j'ai compris qu'il s'agissait du désir du marché de revenir aux prix passés (retour).
Returns signifie rendement
, qui, encore une fois dans notre sens, est la variation en pourcentage du prix à la période t.Returns signifie retour
ou retour, qui, dans un contexte de marché, peut être interprété comme le désir du marché de revenir aux prix passés.Lorsqu'on se réfère aux retours, on devrait utiliser "retour" ou dire "retours" et lorsqu'on se réfère au retour, on devrait dire "retour".
Quelqu'un s'est-il déjà demandé si les mouvements des prix pouvaient être comparés à ceux d'un ascenseur dans un immeuble de grande hauteur avec un trafic intense entre les étages ? Est-il possible de prédire la position de l'ascenseur en utilisant les concepts "barre", "TF", "tendance", "plat", "niveaux", "tendances", .... ?
facilement, généralement les lumières du 1er étage sont allumées !
Dans
ce cas, j'ai compris qu'il s'agissait du désir du marché de revenir aux prix passés (retour)
.Returns
par return
, qui, dans notre sens, est une variation en pourcentage du prix à la période t.Returns
par return
ou retour, qui, dans le contexte du marché, pourrait être interprété comme le désir du marché de revenir aux prix précédents.Lorsque nous voulons parler de returns, nous devrions utiliser "return" ou dire "retours", mais lorsque nous voulons parler de return, nous devrions dire retour.
Il est possible que ce soit le cas. Mais lorsque nous construisons une série de retours de la forme suivante : X[t]-X[t-1], cela ne se voit presque pas. J'utilise les mots retours, incréments, retours, ce sont tous des séries de prix différenciés.
L'asymétrie de la probabilité dans la direction du changement de signe est minime et insignifiante. Mais si vous calculez l'entropie conditionnelle entre la variable dépendante et les rendements sur deux décalages ou plus, alors toute l'inégalité est prise en compte dans le chiffre résultant, de sorte que l'entropie est réduite.
J'ai essayé d'entraîner NS sur des données horaires et n'ai pris que les lags les plus informatifs (42 variables, sur les lags 1, 2, 23, 23, 25,... 479, 480, 481). Malheureusement, le résultat n'a pas été très bon. Précision de la prédiction du nombre quantile - dans la région de 30-40%. Bien que les irrégularités que le réseau neuronal a été en mesure de traduire à la sortie, mais les dépendances ne sont pas suffisantes pour la prédiction. Tout le problème est que les variables indépendantes sont mutuellement informatives aux lags 1, 2, 24..... et la quantité totale d'informations sur la barre de zéro est vraiment faible. Nous devrions envisager comme option de prendre des délais quotidiens et plus anciens.
Rien ne nous empêche de vérifier la stationnarité de ce processus d'information et d'appliquer ensuite toute l'économétrie d'un seul coup.
Je ne comprends pas bien.
L'économétrie travaille avec des processus non stationnaires, l'algorithme approximatif est décrit dans le post. Nous devons comprendre que la non-stationnarité conduit au fait que nous ne pouvons pas prendre le meilleur indicateur ou un ensemble d'indicateurs et obtenir TS et trader de manière stable, car en raison de la non-stationnarité, toutes les estimations de TS (PF, drawdown et autres) sont fictives et dans le futur, il apparaîtra de telles zones de quotient, où TS vendra le dépôt.
La science de la mesure des données économiques - l'économétrie - présente des différences par rapport à d'autres sciences très respectables, mais elle constitue une science indépendante distincte et propose d'agir de manière cohérente, en fixant chaque résultat intermédiaire comme un modèle, en visant à obtenir un résidu stationnaire, donne des estimations stables des TS futures lorsqu'on travaille sur un marché non stationnaire.
Ceci est démontré par un exemple pour EURUSD et trois indicateurs (ligne droite, lissage exponentiel, filtre Hodrick-Prescott) ici.
Les gars, utilisons une science distincte pour mesurer les données économiques, et n'essayons pas de tirer quelque chose des sciences voisines, juste parce que nous sommes trop paresseux pour lire le manuel d'économétrie. Dans notre pays, il existe de tels manuels qui datent de l'an 2000, c'est-à-dire que depuis plus de 10 ans, les universités produisent des spécialistes qui mesurent les données économiques de manière scientifique et ne souffrent pas de la saleté appelée "dépendance à l'information".
Et en général, vivons en paix.
Je n'ai pas tout à fait compris.
L'économétrie travaille avec des processus non stationnaires, l'algorithme approximatif est décrit dans le post. Nous devons comprendre que la non-stationnarité conduit au fait que nous ne pouvons pas prendre le meilleur indicateur ou un ensemble d'indicateurs et obtenir TS et trader de manière stable, car en raison de la non-stationnarité, toutes les estimations de TS (PF, drawdown et autres) sont fictives et dans le futur, il apparaîtra de telles zones de quotient, où TS vendra le dépôt.
La science de la mesure des données économiques - l'économétrie - présente des différences par rapport à d'autres sciences très respectables, mais il s'agit d'une science distincte et indépendante qui propose d'agir de manière cohérente, en fixant chaque résultat intermédiaire comme un modèle, en visant l'obtention d'un résidu stationnaire, donne des estimations de stabilité des TS futures lorsqu'on travaille sur un marché non stationnaire.
Ceci est démontré par un exemple pour EURUSD et trois indicateurs (ligne droite, lissage exponentiel, filtre Hodrick-Prescott) ici.
Les gars, utilisons une science distincte pour mesurer les données économiques, et n'essayons pas de tirer quelque chose des sciences voisines, juste parce que nous sommes trop paresseux pour lire le manuel d'économétrie. Dans notre pays, il existe de tels manuels depuis 2000, c'est-à-dire que depuis plus de 10 ans, les universités produisent des spécialistes qui mesurent les données économiques de manière scientifique et ne souffrent pas de la saloperie appelée "dépendance à l'information".
Et en général, vivons ensemble.
J'ai lu votre article, d'ailleurs. C'est un article précieux, et le problème de la non-stationnarité y est bien abordé. Et je conviens que la non-stationnarité des données financières est un problème réel et urgent. Pendant de nombreux mois, lorsque je maîtrisais les réseaux neuronaux, j'ai essayé différentes transformations de la série temporelle initiale pour améliorer sa stationnarité, car les NS sont sensibles à ce phénomène et apprennent mal. Et pour être plus exact, la densité d'erreur sur les données de sortie est obtenue de manière inégale ce qui, dans la pratique, conduit à de forts drawdowns (avec toutefois un MO du modèle généralement positif).
Disons que pour l'instant, nous l'avons simplement essayé sur des données brutes (pas tout à fait brutes, mais une série différenciée), juste pour voir ce qui se passe. Je ne diminue en rien l'importance de l'économétrie, même si je n'ai lu aucun manuel.
Quand j'aurai le temps, je posterai ma version du prétraitement des données, qui, à l'œil, produit une série plus stationnaire, mais je n'ai pas fait de tests de stationnarité.