Econométrie : bibliographie - page 7
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
TS et DS sont une invention de la thèse russe.
Le problème est différent. Mon point de vue. isoler la composante déterministe du quotient et examiner le résidu. Si le résidu est stationnaire, nous pouvons extrapoler la composante déterministe. Si ce n'est pas le cas, il faut extraire la composante déterministe du résidu ..... Est-il possible d'obtenir un système fonctionnel de cette manière ? Pas dans le cas général, je n'en ai pas la preuve. Mais dans les pièces jointes, il est affirmé que tout fonctionnera bien s'il n'y a pas de couacs dans la tendance. Mais une suggestion est faite pour ce cas afin de surmonter également cette nuisance.
TS et DS sont une invention de la thèse russe.
Le problème est différent. Mon point de vue. nous extrayons la composante déterministe du quotient et examinons le résidu. Si le résidu est stationnaire, nous pouvons extrapoler la composante déterministe. Si ce n'est pas le cas, il faut extraire la composante déterministe du résidu .....
Si vous avez extrait la composante déterministe et l'avez supprimée, il est évident que vous devrez utiliser une autre méthode d'extraction pour extraire quelque chose du résidu (à moins que vous ne vouliez obtenir un zéro délibéré dans la sortie). Et ainsi de suite à chaque étape.
À en juger par les messages, le collectif ne comprend pas ce qu'est un "point d'arrêt". en termes simples. Ils ont ajusté le modèle. À chaque nouvelle barre, on refait l'ajustement et la nouvelle barre correspond à la précédente. Et puis le nouveau modèle, par ses paramètres, ne coïncide pas avec le précédent. Cela signifie que le kotier à l'intérieur de l'échantillon a changé de telle manière que les paramètres du modèle ont changé. Si les paramètres sont bons, nous pouvons les ajuster et espérer que tout ira bien sur la prochaine barre. Mais il arrive que le quotient change, de sorte que la forme fonctionnelle doit être modifiée. En outre, la rupture n'est très probablement pas diagnostiquée à l'arrivée d'une mesure, mais elle nécessite plusieurs mesures, c'est-à-dire que nous sommes passés à la perte et voici que commence la chanson sur le SL.
Voici une pièce jointe sur ce problème. De la façon dont je le vois - c'est le principal problème du commerce - c'est la fracture.Le problème, appliqué au trading, est de détecter un point de rupture (ou quel que soit le nom qu'on lui donne, je préfère l'expression "rupture de stationnarité") le plus tôt possible, avant que le SL ne se déclenche. Mais en utilisant la méthode de votre pièce jointe, nous pouvons difficilement le faire, ne serait-ce que parce que dans un modèle linéaire, nous n'avons absolument aucun moyen de déterminer à quel point particulier de l' échantillon la rupture s'est produite. Et, comme vous le soulignez à juste titre, dans ce modèle, une rupture n'est presque jamais diagnostiquée par l'arrivée d'une seule barre, sauf si cette barre vous met immédiatement dans un élan.
100% d'accord, j'ai écrit un Expert Advisor sur le même cours, modèle adaptatif pour prédire les séries temporelles avec des fluctuations instables, fonctionne le long de la tendance jusqu'à la fin, mais les renversements sont perdus, dans le plat se comporte acceptable.
Si vous avez extrait une composante déterministe et l'avez supprimée, il est évident que pour extraire quelque chose du reste, vous devrez utiliser une autre méthode d'extraction (à moins que vous ne vouliez obtenir un zéro délibéré dans la sortie). Et ainsi de suite à chaque étape.
Pourquoi un autre ? Je ne comprends pas. Dans la branche prédiction, j'ai montré plusieurs applications du filtre de Hodrick-Prescott. Il a démontré que ça ne servait à rien. Je n'ai rien pressé sur le collectif. Mais maintenant je peux dire qu'il y avait deux problèmes : (1) les affirmations concernant le filtre, que je soupçonne d'être un effet de bord à droite, et (2) l'utilisation de la prédiction qui en résulte est un problème aussi important que le modèle lui-même. Si cette question n'est pas résolue, il est inutile de spéculer sur une méthode de lissage. Cela dit, j'écarte le MM comme méthode de résolution des problèmes liés à l'utilisation de la prédiction.
Sur cette base, j'ai posté une pièce jointe et un lien vers le manuel. Ces deux postes sont nouveaux sur le forum et, à mon avis, très prometteurs.
Le problème, lorsqu'il est appliqué au trading, est de détecter un coude (ou quel que soit le nom que vous voulez lui donner, je préfère l'expression "rupture de stationnarité") le plus tôt possible, avant que le SL ne soit déclenché. Mais en utilisant la méthode de votre pièce jointe, nous pouvons difficilement le faire, ne serait-ce que parce que dans un modèle linéaire, nous n'avons absolument aucun moyen de déterminer à quel point précis de l'échantillon la rupture s'est produite. Et, comme vous le soulignez à juste titre, dans ce modèle, un nœud n'est presque jamais diagnostiqué par l'arrivée d'une seule barre, à moins que cette barre ne vous ait immédiatement transformé en élan.
L'idée de l'attachement est de prévoir par plusieurs modèles. Différents modèles donneront un coude à différents endroits et, de ce fait, les prévisions seront affinées. Je pense que oui.
Pourquoi l'autre ? Je ne comprends pas.
Simple logique. Supposons que nous ayons un signal et que nous voulions en extraire la composante déterministe. Bien entendu, nous voulons le faire de manière optimale, c'est-à-dire de façon à ce que la méthode que nous utilisons ne puisse en aucun cas donner le meilleur résultat sur ce signal. Il convient de noter ici que dans ce cas, nous devons introduire le critère d'optimalité, par lequel nous imposerons des contraintes aux paramètres de l'algorithme. Mais il s'ensuit que si on y est parvenu et qu'on a tiré un optimum de la méthode utilisée, alors l'utilisation de la même méthode avec le même critère d'optimalité doit retourner zéro sur le résidu, car sinon on a une contradiction avec le fait que les paramètres de l'étape précédente ont été calculés sur la base du critère d'optimalité....
Voici une victime : si nous n'appliquons pas le critère d'optimisation et nous contentons, par exemple, de filtrer le signal avec un filtre statique, nous n'avons théoriquement pas le droit d'appeler le résultat une composante déterministe. Qu'est-ce qui est déterministe ? Après tout, vous pouvez appliquer un tas de filtres de la même structure mais avec des paramètres différents et ils donneront tous des résultats différents. Lequel d'entre eux doit alors être considéré comme une composante déterministe ? Tous les jeux de paramètres sont égaux, tant que nous n'introduisons pas de critère d'optimalité.
(1) les affirmations concernant le filtre, que je soupçonne d'être un effet marginal sur la droite.
et (2) l'utilisation de la prédiction qui en résulte est un problème aussi important que le modèle lui-même.
Simple logique. Supposons que nous ayons un signal et que nous voulions en extraire la composante déterministe. Bien sûr, nous voulons le faire de manière optimale.
Nous connaissons le critère - RMSE. Pour ne pas s'embarrasser de SE. Ce critère nous permet de sélectionner les paramètres de lissage pour un échantillon particulier. En cas de changement, nous recalculons.
Nous obtenons une composante déterministe dans le sens où une partie du quotient est approximée par une formule. Souvent un différentiel lisse, etc. Il n'y a pas d'odeur de hasard. Mais il y a toujours une erreur d'approximation. Et il y a une autre considération.
Le quotient d'origine est non stationnaire. On lui soustrait cette approximation lisse. Question : où se trouve la non-stationnarité ? A-t-il disparu ? Le résidu est-il stationnaire ? Si le résidu est stationnaire, nous pouvons faire une prédiction. S'il n'est pas stationnaire, nous ne pouvons pas faire de prévisions et devons continuer à lisser en prenant des bouchées de non-stationnarité. La valeur absolue du résidu diminue et après le troisième lissage, l'écart est généralement une fraction de pip, de sorte que vous pouvez enfin l'oublier.
Simple logique. Supposons que nous ayons un signal et que nous voulions en extraire la composante déterministe. Bien sûr, nous voulons le faire de manière optimale.
Nous connaissons le critère - RMSE. Pour ne pas s'embarrasser de SE. Ce critère nous permet de sélectionner les paramètres de lissage pour un échantillon particulier. En cas de changement, nous recalculons.
Nous obtenons une composante déterministe dans le sens où une partie du quotient est approximée par une formule. Souvent un différentiel lisse, etc. Il n'y a pas d'odeur de hasard. Mais il y a toujours une erreur d'approximation. Et il y a une autre considération.
Le quotient d'origine est non stationnaire. On lui soustrait cette approximation lisse. Question : où se trouve la non-stationnarité ? A-t-il disparu ? Le résidu est-il stationnaire ? Si le résidu est stationnaire, nous pouvons faire une prédiction. S'il n'est pas stationnaire, nous ne pouvons pas faire de prévisions et devons continuer à lisser en prenant des bouchées de non-stationnarité. Considérant que le résidu diminue en valeur absolue et qu'après le troisième lissage l'écart est généralement d'environ un pip, nous pouvons finalement cracher dessus.
Finalement, nous pouvons considérer que la procédure itérative elle-même est la méthode optimale pour déterminer la composante déterministe. L'essentiel est qu'elle doit conduire au bruit blanc stationnaire dans la sortie, c'est-à-dire que non seulement la non-stationnarité doit être supprimée, mais aussi l'autocorrélation des résidus, sinon la prévision n'aura aucune valeur. En bref, le problème est connu depuis longtemps dans cette formulation, mais je n'ai pas vu sa solution pour les forums en accès libre. Mais même si c'est le cas, qui peut affirmer que la forme de la composante déterministe dans la fenêtre d'analyse est stationnaire en elle-même, c'est-à-dire qu'elle ne changera pas lorsque la fenêtre sera déplacée ? Et si ce n'est pas le cas, alors la prédiction est sans valeur.
Et si ce n'est pas le cas, la prévision n'a aucune valeur.
L'idéal n'est pas réalisable.
Prenons l'exemple d'un plan.
Prenons une machine avec T=10. Pour moi, il s'agit de 10 variables indépendantes prises en compte dans le calcul avec un coefficient constant = 0,1.
Une fois comptée, l'erreur d'ajustement est supérieure à 100 pips pour H1.
Quel est le problème ? Évidemment le coefficient constant.
Nous prenons la régression pour 10 valeurs de lag et comptons les coefficients. Ils ne sont pas égaux à 0.1 L'erreur est moindre, mais toujours d'environ 100 pips.
Question suivante. Pourquoi 10 variables indépendantes ?
Ensuite, pourquoi une combinaison linéaire de ces variables ?
Ce à quoi je veux en venir à ce stade du raisonnement.
Nous devons ajuster : les coefficients, le nombre de variables indépendantes, la forme fonctionnelle.
C'est tout ?
Non, ça ne l'est pas.
Nous présentons le concept de modèle adaptatif au marché, mais la question se pose de savoir ce que nous voyons sur le marché ou ce que nous prenons du marché ?
Si vous prenez EViews, il y a un ensemble de tests qui vous permettent d'isoler un ensemble plus large que ci-dessus de paramètres pour approcher. presque complètement cet ensemble de paramètres que j'ai montré dans la branche de prédiction.
C'est vrai. C'est tout ce qui reste :
Адаптировать [...] коэффициенты, кол-во независимых переменных, функциональную форму
=) continuez, continuez) Je n'entends pas beaucoup, je ne sais pas beaucoup.