マクロ経済指標に基づく市場予測 - ページ 56 1...49505152535455565758596061 新しいコメント denis.eremin 2020.10.21 10:42 #551 Vladimir:3: 満期の異なる有価 証券の利回りにもう1つを加えたもの。バイ＆ホールド年率（1974年～現在）：APR=7.35%。経済指標を用いた売買戦略：APR＝13.18％。このストラテジーは、2019年12月に売りシグナルを出しました。今のところ買いシグナルは出ていない。どうやら相場は下がるようだ。 バイ・アンド・ホールド このようなモデルのフォワードテストができれば面白いのですが、ここでは無理ですね。 今、私が理解している限りでは、みんな選挙を待っているんです。 VVT 2020.10.21 13:16 #552 Vladimir:3: 満期の異なる有価 証券の利回りにもう1つを加えたもの。バイ＆ホールド年率（1974年～現在）：APR=7.35%。経済指標を用いた売買戦略：APR＝13.18％。このストラテジーは、2019年12月に売りシグナルを出しました。今のところ買いシグナルは出ていない。どうやら相場は下がるようだ。 特定の機器の話なのか、一般的な指標の話なのか。 Реter Konow 2020.10.21 19:42 #553 Vladimir :したがって、タスクは、利用可能な経済指標に基づいてS＆P500インデックスを予測することです。ステップ1：インジケーターを見つけます。指標はここで公開されています：http：//research.stlouisfed.org/fred2/それらの240,000があります。最も重要なのはGDPの成長です。この指標は四半期ごとに計算されます。したがって、私たちのステップ-3ヶ月。短期間のすべての指標は3か月間再計算され、残り（年次）は破棄されます。また、米国を除くすべての国の指標と、深い歴史（少なくとも15年）がない指標も破棄します。そのため、骨の折れる作業で、多数のインジケーターを除外し、約1万のインジケーターを取得します。 S＆P 500指数を1〜2四半期先に予測するというより具体的なタスクを策定し、四半期ごとに1万の経済指標を利用できるようにします。私はMatLabですべてを行いますが、Rでは可能です。ステップ2：微分と正規化により、すべてのデータを定常形式に変換します。ここには多くの方法があります。主なことは、変換されたデータから元のデータを復元できることです。定常性がなければ、モデルは機能しません。転換前後のS＆P500シリーズを以下に示します。ステップ3：モデルを選択します。多分ニューラルネットワーク。多変数線形回帰を行うことができます。多変数多項式回帰を行うことができます。線形モデルと非線形モデルをテストした後、データのノイズが非常に大きいため、非線形モデルを入力しても意味がないという結論に達しました。 y（x）グラフ（y = S＆P 500、x = 1万の指標の1つ）は、ほぼ円形の雲です。したがって、タスクをさらに具体的に定式化します。多変数線形回帰を使用して、四半期ごとに1万の経済指標を持ち、1〜2四半期先のS＆P500インデックスを予測します。ステップ4： 1万から最も重要な経済指標を選択します（問題の次元を減らします）。これは最も重要で難しいステップです。 S＆P 500の歴史を30年（120四半期）と考えているとしましょう。 S＆P 500をさまざまな種類の経済指標の線形結合として表すには、この30年間のS＆P500を正確に説明するための120の指標があれば十分です。さらに、120個のインジケーターと120個のS＆P 500値の正確なモデルを作成するために、インジケーターは絶対に任意にすることができます。したがって、入力の数を記述された関数値の数より少なくする必要があります。たとえば、10〜20個の最も重要な入力インジケーターを探しています。膨大な数の候補ベース（辞書）から選択された少数の入力でデータを記述するこのようなタスクは、スパースコーディングと呼ばれます。予測子入力を選択する方法はたくさんあります。私はそれらすべてを試しました。主な2つは次のとおりです。 10,000個のデータすべてをS＆P 500の予測力で分類します。予測力は、相関係数または相互情報量で測定できます。下部にある1万の指標すべてを調べて、誤差が最小のS＆P500を表す線形モデルy_mod= a + b*x1を与える指標を選択します。次に、残りの10,000 -1インジケーターを並べ替えて、2番目の入力を再度選択します。これにより、残りのy --y_mod = c + d*x2が最小のエラーで記述されます。等。この方法は、ステップワイズ回帰またはマッチング追跡と呼ばれます。 S＆P500との相関係数が最も高い上位10の指標は次のとおりです。 シリーズID遅れCorrミュート情報「PPICRM」 2 0.315 0.102 「CWUR0000SEHE」 2 0.283 0.122 'CES1021000001' 1 0.263 0.095 「B115RC1Q027SBEA」 2 0.262 0.102 'CES1000000034' 1 0.261 0.105 「A371RD3Q086SBEA」 2 0.260 0.085 「B115RC1Q027SBEA」 1 0.256 0.102 「CUUR0000SAF111」 1 0.252 0.117 「CUUR0000SEHE」 2 0.251 0.098 「USMINE」 1 0.250 0.102 S＆P500との相互情報量が最も多い上位10の指標は次のとおりです。 シリーズID遅れCorrミュート情報「CPILEGSL」 3 0.061 0.136 「B701RC1Q027SBEA」 3 0.038 0.136 「CUSR0000SAS」 3 0.043 0.134 「GDPPOT」 3 0.003 0.134 「NGDPPOT」 5 0.102 0.134 「OTHSEC」 4 0.168 0.133 'LNU01300060' 3 0.046 0.132 「LRAC25TTUSM156N」 3 0.046 0.132 「LRAC25TTUSQ156N」 3 0.046 0.131 「CUSR0000SAS」 1 0.130 0.131ラグは、シミュレートされたS＆P 500シリーズに対する入力シリーズの遅延です。これらの表からわかるように、最も重要な入力を選択する方法が異なると、入力のセットも異なります。私の最終的な目標はモデルエラーを最小限に抑えることなので、2番目の入力選択方法を選択しました。すべての入力の列挙と、エラーが最小の入力の選択。ステップ5：モデルの誤差と係数を計算する方法を選択します。最も単純な方法はCOEX法です。そのため、この方法を使用した線形回帰が非常に人気があります。 RMS法の問題は、外れ値に敏感であるということです。これらの外れ値は、モデルの係数に大きく影響します。この感度を下げるために、誤差の二乗和の代わりに誤差の絶対値の和を使用できます。これにより、最小係数（MLM）またはロバスト回帰の方法が導き出されます。この方法には、線形回帰とは異なり、モデル係数の分析ソリューションがありません。通常、モジュールは滑らかで微分可能な近似関数に置き換えられ、解は数値的方法で実行され、長い時間がかかります。私は両方の方法（リーン回帰とMHM）を試しましたが、MHMの利点にはあまり気づきませんでした。 MHMの代わりに、私は回り道をしました。定常データを微分して取得する2番目のステップでは、非線形正規化操作を追加しました。つまり、元の系列x [1]、x [2]、... x [i-1]、x[i]...は最初に差分系列x[2]-x[1]に変換されます。 .. x [i] -x [i-1] ...次に、各差をsign（x [i] -x [i-1]）* abs（x [i] -x [ i-1]）^ u、ここで0 <u<1。u=1の場合、外れ値に対する感度を備えた従来のCOSEメソッドを取得します。 u = 0では、入力系列のすべての値が、外れ値がほとんどないバイナリ値+/-1に置き換えられます。 u = 0.5の場合、MNMに近いものが得られます。 uの最適値は、0.5から1の間のどこかにあります。データを定常形式に変換するための一般的な方法の1つは、系列の値をこれらの値の対数の差で置き換えることです。 log（x [i]）-log（x [i-1]）またはlog（x [i] / x [i-1]）。私の場合、このような変換を選択するのは危険です。1万エントリのディクショナリには、ゼロと負の値を持つ行が多数あるためです。対数には、外れ値に対するRMSメソッドの感度を下げるという利点もあります。基本的に、変換関数sign（x）* | x | ^ uはlog（x）と同じ目的ですが、ゼロと負の値。ステップ6：新しい入力データを代入し、前の履歴セグメントで線形回帰によって検出されたものと同じモデル係数を使用してモデル出力を計算することにより、モデル予測を計算します。ここで重要なのは、経済指標とS＆P 500の四半期値がほぼ同時に（3か月の精度で）得られることです。したがって、次の四半期のS＆P 500を予測するには、S＆P 500の現在の四半期値と、少なくとも1四半期遅れたエントリ（Lag> = 1）の間にモデルを構築する必要があります。 S＆P 500を4分の1先に予測するには、S＆P 500の現在の四半期値と、少なくとも2四半期遅れたエントリ（ラグ> = 2）の間にパターンを構築する必要があります。等。予測の精度は、遅延が2を超えると大幅に低下します。ステップ7：前の履歴の予測の精度を確認します。上記の元の手法（各入力を前の履歴に入れ、最小のMSDを与える入力を選択し、その入力の新しい値から予測を計算する）は、ランダムまたはヌルの予測よりもさらに悪い予測MSDを生成しました。私は自分自身にこの質問をしました：過去にうまく適合する入口が将来のために良い予測可能な能力を持っているべきなのはなぜですか？既知のデータの最小の回帰誤差に基づくのではなく、以前の予測誤差に基づいてモデル入力を選択することは理にかなっています。最後に、私のモデルは次のように段階的に説明できます。 stlouisfedからの経済データのアップロード（約1万の指標）。 Preobrazeumデータを静止形式に変換して正規化します。 RMS法（線形回帰）によって分析的に解かれたS＆P500インデックスの線形モデルを選択します。履歴の長さ（1960年から2015年第2四半期）を選択し、トレーニングセグメント（1960年から1999年第4四半期）とテストセグメント（2000年第1四半期から2015年第2四半期）に分割します。 1960 + N + 1から予測を開始します。ここで、N * 4は既知の四半期S＆P500値の初期数です。最初のN個のデータで、各経済指標に対して線形モデルが作成されます。y_mod= a + b * xここで、y_modはS＆P 500モデルであり、xは経済指標の1つです。各モデルでN+1バーを予測します。モデルごとにN+1バーの予測誤差を計算します。私たちはこれらの間違いを覚えています。既知のS＆P 500値の数を1つ増やします。つまり、 N + 1で、トレーニングセグメントの最後（1999年第4四半期）に到達するまで手順6〜9を繰り返します。このステップでは、各経済指標について1960 +N+1から1999年第4四半期までの予測誤差を保存しました。履歴の第2期間（2000年第1四半期から2015年第2四半期）にモデルのテストを開始します。 10,000の入力のそれぞれについて、1960年から1999年第4四半期までの予測の標準誤差を計算します。 10,000の入力から、1960年から1999年第4四半期のRMS予測が最も低いものを選択します。 1960年から1999年第4四半期までの各経済指標について、線形モデルy_mod = a + b*xを作成します。各モデルで2000年第1四半期を予測します。前の時間間隔（1960年から1999年第4四半期）の予測のRMSが最も低い選択された入力の予測が、2000年第1四半期の主な予測として選択されます。 2000年第1四半期のすべての入力の予測誤差を計算し、それらを前の時間間隔（1960年から1999年第4四半期）の同じ入力のRMSに追加します。 2000年第2四半期に進み、S＆P 500の未知の値でテスト領域の終わり（2015年第2四半期）に到達するまでステップ12〜17を繰り返します。これは、予測が主な目標です。前のセグメントの予測の標準偏差が最も低い入力によって作成された2000年第1四半期から2014年第4四半期の予測誤差を累積します。このエラー（err2）は、サンプル外の予測エラーモデルです。要するに、予測子の選択は、以前のS＆P500予測のRMSに依存します。先を見据えることはありません。予測子は時間の経過とともに変化する可能性がありますが、テストセグメントの終了時に、基本的に変化を停止します。私のモデルは、2015年第2四半期を予測する最初の入力として2クォーターラグのPPICRMを選択しました。1960年から2014年第4四半期に選択したPPICRM（2）入力を使用したS＆P500の線形回帰を以下に示します。黒丸-線形回帰。マルチカラーの円-1960年の履歴データ-2014年第4四半期。円の色は時間を示します。静止S＆P 500予測（赤い線）：生の形でのS＆P 500予測（赤い線）：グラフは、モデルが2015年の第2四半期のS＆P500の成長を予測していることを示しています。 2番目の入力を追加すると、予測エラーが増加します。 1 err1 = 0.900298 err2 = 0.938355 PPICRM（2） 2 err1 = 0.881910 err2 = 0.978233 PERMIT1（4）ここで、err1は回帰エラーです。 2番目の入力を追加すると減少することは明らかです。 err2は、二乗平均平方根予測誤差をランダム予測誤差で割ったものです。つまり、err2> = 1は、私のモデルの予測がランダムな予測よりも優れていることを意味します。 err2 <1は、モデルの予測がランダムな予測よりも優れていることを意味します。 PPICRM =生産者物価指数：さらなる処理のための原油PERMIT1=建築許可によって認可された新しい民間住宅ユニット-1ユニットの構造物上記のモデルは、このように言い換えることができます。私たちは1万人のエコノミストを集め、次の四半期の市場を予測するように依頼します。各エコノミストは自分の予測を思いつきます。しかし、彼らが書いた教科書の数や過去に獲得したノーベル賞の数に基づいて予測を選ぶ代わりに、私たちは彼らの予測を収集するのに数年待ちます。かなりの数の予測の後、どのエコノミストがより正確であるかを確認し、他のエコノミストが正確さで彼を超えるまで、彼の予測を信じ始めます。分析は印象的ですが、1つの疑問が残ります。一度に500（!!!）の相互影響率を予測することは、1よりもいくらか難しいと思ったことはありますか？本当に、なぜS＆P500が選ばれたのですか？ええと、500の独立した予測が難しい企業がそれを形成しています。基本ロジックは、このアプローチを1つの発行者でテストすることが望ましいことを示唆しています。これにより、最終結果の信頼性が約...500倍向上します。 :) Реter Konow 2020.10.21 20:23 #554 Реter Konow:この分析には感心させられますが、一つ疑問が残ります。一度に500（！！）も互いに影響し合うことを予測するのは、1よりやや難しいとは思わなかったのでしょうか？というか、本当に、なぜS&P500が選ばれているのでしょうか？その500の独立した、予測しがたい企業が形成しています。初歩的な論理では、このアプローチはできれば1つの発行体でテストされるべきであり、そうすれば最終結果に対する信頼度は約...高くなる。を500倍にしています。:) 間違っている。マクロ経済 指標から相場を予測する」というテーマですが、この分析では指標は何の意味も持ちません。数学的に非人格化され、外的な意味や世界との論理的なつながりをすべて断ち切られた後、何らかの式に代入された変数に過ぎないのだ。抽象的な数列で構成されたドライナンバーは、ニューラルネットワークのモデルとして機能し、その予測は...いや、市場ではなく、まったく同じ数値のシリーズです。この観点からは、インデックスに含まれるレートがいくつであろうと、その企業の方針がどうであろうと、違いはないのだが、すべての変数と値が計算式に代入されていることが必要である。そして、その通りになりました。つまり、すべて正しいのですが、ただ、トピックの呼び方が違うだけで、本来はファンダメンタル分析ではなく、テクニカル分析なのです。 Uladzimir Izerski 2020.10.21 21:06 #555 Реter Konow: 間違っている。マクロ経済 指標から相場を予測する」といっても、この分析では指標は関係ない。数学的に人格を奪われ、世界との意味的・論理的な外部リンクをすべて解除された後、何らかの式に代入された変数に過ぎない。抽象的な数列で構成されたドライナンバーは、ニューラルネットワークのモデルとして機能し、その予測は...いや、市場ではなく、まったく同じ数値のシリーズです。 この観点から、インデックスに含まれるコースがいくつあっても、その会社のポリシーがどうであっても、すべての変数と値を計算式に代入する必要があることに違いはない。そして、その通りになりました。 つまり、すべては正しいのですが、ただ、トピックは別の呼び方をすべきです。なぜなら、本質的にはファンダメンタル分析ではなく、テクニカル分析だからです。 ファンダメンタルズデータ でテクニカル分析をすることが判明。 ファンダメンタル分析という のは、そんなに単純なものではありません。価格には、経済指標に該当しないさまざまな要因があります。これらは、選挙、Brexit、様々な噂などです。あらゆる経済指標よりも価格に影響を与えることができるのです。 Реter Konow 2020.10.21 21:39 #556 話がそれてしまいましたが、<br/ translate="no">.私は以前から、フォーラムで数多くのトレーダーの「意識の流れ」を読んで生じた疑問に関心を持っていました。1.なぜ、人は簡単に、しかもすぐに研究対象を忘れてしまい、「数列」や「係数」などに迷い込み、原点に戻ることができず、いつまでも数学の荒野をさまよっているのだろうか？2.何が彼らを動かしているのか？本当にお金だけなのでしょうか？最初の質問にはまだ答えられないが、2番目の質問には ......あるんです。すべての彼らのmate.searchは、存在が収集され、順序とすべての面で予測可能な特定のファンタジー定型表 "楽園 "につながる。賢い人はこうやって聖杯を 想像するんですね。このスレッドの最初の投稿は、この不明瞭な方向への第1歩でも第2歩でもないことを示しています...。 Реter Konow 2020.10.21 21:49 #557 Uladzimir Izerski:ファンダメンタルなデータ でテクニカルな分析ができるんですね。ファンダメンタルズ分析 では、そう簡単にはいかないのです。物価には、経済指標に該当しない要素も多く存在します。選挙、Brexit、様々な噂などである。あらゆる経済指標よりも価格に影響を与えることができるのです。 はい、その通りです。 Vladimir 2020.10.21 22:00 #558 ピーターへ：私はS&P500を直接予想しているわけではありません。本稿の目的は、不況を予測することで、不況が起こる前に市場から撤退し、バイ＆ホールド戦略の収益性を向上させることである。S&P500は500社の株式を含んでいますが、その構成銘柄ではなく、指数そのもの（またはそのオプション）を売買する機関投資家によって動かされています。年率13％というと大したことはないように思えますが、回転率が重要な大金持ちにとっては十分なことなのです。バーニー・マドフは、年率10％という控えめな報酬を約束して顧客を引き付けたが、これは達成できなかった。 Uladzimir氏へ：価格の変動が、選挙、ブレグジット、感染症など、さまざまな社会的・政治的イベントに左右されることは同意します。結局のところ、製品・サービスの需要と供給、失業率など、経済の指標に 帰結するのです。日々の市場価格の変動は気にしない。単純なバイ＆ホールド戦略でも年率7.4％の収益が得られる。不況時のロングポジションを避け、この戦略の収益性を高めることに気を配っています。ちなみに、もう一つの戦略は、不動産の購入です。でも、それだと年5％しか収穫がないんですよ、アメリカでは。 Алексей Тарабанов 2020.10.21 22:12 #559 Реter Konow: 間違っている。マクロ経済 指標から相場を予測する」といっても、この分析では指標は関係ない。数学的に人格を奪われ、世界との意味的・論理的な外部リンクをすべて解除された後、何らかの式に代入された変数に過ぎない。抽象的な数列で構成されたドライナンバーは、ニューラルネットワークのモデルとして機能し、その予測は...いや、市場ではなく、まったく同じ数値のシリーズです。 この観点から、インデックスに含まれるコースがいくつあっても、その会社のポリシーがどうであっても、すべての変数と値を計算式に代入する必要があることに違いはない。そして、その通りになりました。 つまり、すべて正しいのですが、ただ、トピックの呼び方が違うだけで、本質的にはファンダメンタル分析ではなく、テクニカル分析なのです。 では、S&P500の見通しはどうでしょうか？ VVT 2020.10.21 22:24 #560 Vladimir: 年率5～13％のためにこれだけのことをするのか？労力に見合わない) 1...49505152535455565758596061 新しいコメント 取引の機会を逃しています。 無料取引アプリ 8千を超えるシグナルをコピー 金融ニュースで金融マーケットを探索 新規登録 ログイン スペースを含まないラテン文字 このメールにパスワードが送信されます エラーが発生しました Googleでログイン WebサイトポリシーおよびMQL5.COM利用規約に同意します。 新規登録 MQL5.com WebサイトへのログインにCookieの使用を許可します。 ログインするには、ブラウザで必要な設定を有効にしてください。 ログイン/パスワードをお忘れですか？ Googleでログイン
3: 満期の異なる有価 証券の利回りにもう1つを加えたもの。
バイ＆ホールド年率（1974年～現在）：APR=7.35%。
経済指標を用いた売買戦略：APR＝13.18％。
このストラテジーは、2019年12月に売りシグナルを出しました。今のところ買いシグナルは出ていない。どうやら相場は下がるようだ。
バイ・アンド・ホールド
このようなモデルのフォワードテストができれば面白いのですが、ここでは無理ですね。
今、私が理解している限りでは、みんな選挙を待っているんです。
3: 満期の異なる有価 証券の利回りにもう1つを加えたもの。
バイ＆ホールド年率（1974年～現在）：APR=7.35%。
経済指標を用いた売買戦略：APR＝13.18％。
このストラテジーは、2019年12月に売りシグナルを出しました。今のところ買いシグナルは出ていない。どうやら相場は下がるようだ。
特定の機器の話なのか、一般的な指標の話なのか。
したがって、タスクは、利用可能な経済指標に基づいてS＆P500インデックスを予測することです。
ステップ1：インジケーターを見つけます。指標はここで公開されています：http：//research.stlouisfed.org/fred2/それらの240,000があります。最も重要なのはGDPの成長です。この指標は四半期ごとに計算されます。したがって、私たちのステップ-3ヶ月。短期間のすべての指標は3か月間再計算され、残り（年次）は破棄されます。また、米国を除くすべての国の指標と、深い歴史（少なくとも15年）がない指標も破棄します。そのため、骨の折れる作業で、多数のインジケーターを除外し、約1万のインジケーターを取得します。 S＆P 500指数を1〜2四半期先に予測するというより具体的なタスクを策定し、四半期ごとに1万の経済指標を利用できるようにします。私はMatLabですべてを行いますが、Rでは可能です。
ステップ2：微分と正規化により、すべてのデータを定常形式に変換します。ここには多くの方法があります。主なことは、変換されたデータから元のデータを復元できることです。定常性がなければ、モデルは機能しません。転換前後のS＆P500シリーズを以下に示します。
ステップ3：モデルを選択します。多分ニューラルネットワーク。多変数線形回帰を行うことができます。多変数多項式回帰を行うことができます。線形モデルと非線形モデルをテストした後、データのノイズが非常に大きいため、非線形モデルを入力しても意味がないという結論に達しました。 y（x）グラフ（y = S＆P 500、x = 1万の指標の1つ）は、ほぼ円形の雲です。したがって、タスクをさらに具体的に定式化します。多変数線形回帰を使用して、四半期ごとに1万の経済指標を持ち、1〜2四半期先のS＆P500インデックスを予測します。
ステップ4： 1万から最も重要な経済指標を選択します（問題の次元を減らします）。これは最も重要で難しいステップです。 S＆P 500の歴史を30年（120四半期）と考えているとしましょう。 S＆P 500をさまざまな種類の経済指標の線形結合として表すには、この30年間のS＆P500を正確に説明するための120の指標があれば十分です。さらに、120個のインジケーターと120個のS＆P 500値の正確なモデルを作成するために、インジケーターは絶対に任意にすることができます。したがって、入力の数を記述された関数値の数より少なくする必要があります。たとえば、10〜20個の最も重要な入力インジケーターを探しています。膨大な数の候補ベース（辞書）から選択された少数の入力でデータを記述するこのようなタスクは、スパースコーディングと呼ばれます。
予測子入力を選択する方法はたくさんあります。私はそれらすべてを試しました。主な2つは次のとおりです。
S＆P500との相関係数が最も高い上位10の指標は次のとおりです。
S＆P500との相互情報量が最も多い上位10の指標は次のとおりです。
ラグは、シミュレートされたS＆P 500シリーズに対する入力シリーズの遅延です。これらの表からわかるように、最も重要な入力を選択する方法が異なると、入力のセットも異なります。私の最終的な目標はモデルエラーを最小限に抑えることなので、2番目の入力選択方法を選択しました。すべての入力の列挙と、エラーが最小の入力の選択。
ステップ5：モデルの誤差と係数を計算する方法を選択します。最も単純な方法はCOEX法です。そのため、この方法を使用した線形回帰が非常に人気があります。 RMS法の問題は、外れ値に敏感であるということです。これらの外れ値は、モデルの係数に大きく影響します。この感度を下げるために、誤差の二乗和の代わりに誤差の絶対値の和を使用できます。これにより、最小係数（MLM）またはロバスト回帰の方法が導き出されます。この方法には、線形回帰とは異なり、モデル係数の分析ソリューションがありません。通常、モジュールは滑らかで微分可能な近似関数に置き換えられ、解は数値的方法で実行され、長い時間がかかります。私は両方の方法（リーン回帰とMHM）を試しましたが、MHMの利点にはあまり気づきませんでした。 MHMの代わりに、私は回り道をしました。定常データを微分して取得する2番目のステップでは、非線形正規化操作を追加しました。つまり、元の系列x [1]、x [2]、... x [i-1]、x[i]...は最初に差分系列x[2]-x[1]に変換されます。 .. x [i] -x [i-1] ...次に、各差をsign（x [i] -x [i-1]）* abs（x [i] -x [ i-1]）^ u、ここで0 <u<1。u=1の場合、外れ値に対する感度を備えた従来のCOSEメソッドを取得します。 u = 0では、入力系列のすべての値が、外れ値がほとんどないバイナリ値+/-1に置き換えられます。 u = 0.5の場合、MNMに近いものが得られます。 uの最適値は、0.5から1の間のどこかにあります。
データを定常形式に変換するための一般的な方法の1つは、系列の値をこれらの値の対数の差で置き換えることです。 log（x [i]）-log（x [i-1]）またはlog（x [i] / x [i-1]）。私の場合、このような変換を選択するのは危険です。1万エントリのディクショナリには、ゼロと負の値を持つ行が多数あるためです。対数には、外れ値に対するRMSメソッドの感度を下げるという利点もあります。基本的に、変換関数sign（x）* | x | ^ uはlog（x）と同じ目的ですが、ゼロと負の値。
ステップ6：新しい入力データを代入し、前の履歴セグメントで線形回帰によって検出されたものと同じモデル係数を使用してモデル出力を計算することにより、モデル予測を計算します。ここで重要なのは、経済指標とS＆P 500の四半期値がほぼ同時に（3か月の精度で）得られることです。したがって、次の四半期のS＆P 500を予測するには、S＆P 500の現在の四半期値と、少なくとも1四半期遅れたエントリ（Lag> = 1）の間にモデルを構築する必要があります。 S＆P 500を4分の1先に予測するには、S＆P 500の現在の四半期値と、少なくとも2四半期遅れたエントリ（ラグ> = 2）の間にパターンを構築する必要があります。等。予測の精度は、遅延が2を超えると大幅に低下します。
ステップ7：前の履歴の予測の精度を確認します。上記の元の手法（各入力を前の履歴に入れ、最小のMSDを与える入力を選択し、その入力の新しい値から予測を計算する）は、ランダムまたはヌルの予測よりもさらに悪い予測MSDを生成しました。私は自分自身にこの質問をしました：過去にうまく適合する入口が将来のために良い予測可能な能力を持っているべきなのはなぜですか？既知のデータの最小の回帰誤差に基づくのではなく、以前の予測誤差に基づいてモデル入力を選択することは理にかなっています。
最後に、私のモデルは次のように段階的に説明できます。
要するに、予測子の選択は、以前のS＆P500予測のRMSに依存します。先を見据えることはありません。予測子は時間の経過とともに変化する可能性がありますが、テストセグメントの終了時に、基本的に変化を停止します。私のモデルは、2015年第2四半期を予測する最初の入力として2クォーターラグのPPICRMを選択しました。1960年から2014年第4四半期に選択したPPICRM（2）入力を使用したS＆P500の線形回帰を以下に示します。黒丸-線形回帰。マルチカラーの円-1960年の履歴データ-2014年第4四半期。円の色は時間を示します。
静止S＆P 500予測（赤い線）：
生の形でのS＆P 500予測（赤い線）：
グラフは、モデルが2015年の第2四半期のS＆P500の成長を予測していることを示しています。 2番目の入力を追加すると、予測エラーが増加します。
1 err1 = 0.900298 err2 = 0.938355 PPICRM（2）
2 err1 = 0.881910 err2 = 0.978233 PERMIT1（4）
ここで、err1は回帰エラーです。 2番目の入力を追加すると減少することは明らかです。 err2は、二乗平均平方根予測誤差をランダム予測誤差で割ったものです。つまり、err2> = 1は、私のモデルの予測がランダムな予測よりも優れていることを意味します。 err2 <1は、モデルの予測がランダムな予測よりも優れていることを意味します。
PPICRM =生産者物価指数：さらなる処理のための原油
PERMIT1=建築許可によって認可された新しい民間住宅ユニット-1ユニットの構造物
上記のモデルは、このように言い換えることができます。私たちは1万人のエコノミストを集め、次の四半期の市場を予測するように依頼します。各エコノミストは自分の予測を思いつきます。しかし、彼らが書いた教科書の数や過去に獲得したノーベル賞の数に基づいて予測を選ぶ代わりに、私たちは彼らの予測を収集するのに数年待ちます。かなりの数の予測の後、どのエコノミストがより正確であるかを確認し、他のエコノミストが正確さで彼を超えるまで、彼の予測を信じ始めます。
間違っている。マクロ経済 指標から相場を予測する」といっても、この分析では指標は関係ない。数学的に人格を奪われ、世界との意味的・論理的な外部リンクをすべて解除された後、何らかの式に代入された変数に過ぎない。抽象的な数列で構成されたドライナンバーは、ニューラルネットワークのモデルとして機能し、その予測は...いや、市場ではなく、まったく同じ数値のシリーズです。
ファンダメンタルズデータ でテクニカル分析をすることが判明。
ファンダメンタル分析という のは、そんなに単純なものではありません。価格には、経済指標に該当しないさまざまな要因があります。これらは、選挙、Brexit、様々な噂などです。あらゆる経済指標よりも価格に影響を与えることができるのです。
ファンダメンタルなデータ でテクニカルな分析ができるんですね。
ファンダメンタルズ分析 では、そう簡単にはいかないのです。物価には、経済指標に該当しない要素も多く存在します。選挙、Brexit、様々な噂などである。あらゆる経済指標よりも価格に影響を与えることができるのです。
ピーターへ：私はS&P500を直接予想しているわけではありません。本稿の目的は、不況を予測することで、不況が起こる前に市場から撤退し、バイ＆ホールド戦略の収益性を向上させることである。S&P500は500社の株式を含んでいますが、その構成銘柄ではなく、指数そのもの（またはそのオプション）を売買する機関投資家によって動かされています。年率13％というと大したことはないように思えますが、回転率が重要な大金持ちにとっては十分なことなのです。バーニー・マドフは、年率10％という控えめな報酬を約束して顧客を引き付けたが、これは達成できなかった。
Uladzimir氏へ：価格の変動が、選挙、ブレグジット、感染症など、さまざまな社会的・政治的イベントに左右されることは同意します。結局のところ、製品・サービスの需要と供給、失業率など、経済の指標に 帰結するのです。日々の市場価格の変動は気にしない。単純なバイ＆ホールド戦略でも年率7.4％の収益が得られる。不況時のロングポジションを避け、この戦略の収益性を高めることに気を配っています。ちなみに、もう一つの戦略は、不動産の購入です。でも、それだと年5％しか収穫がないんですよ、アメリカでは。
間違っている。マクロ経済 指標から相場を予測する」といっても、この分析では指標は関係ない。数学的に人格を奪われ、世界との意味的・論理的な外部リンクをすべて解除された後、何らかの式に代入された変数に過ぎない。抽象的な数列で構成されたドライナンバーは、ニューラルネットワークのモデルとして機能し、その予測は...いや、市場ではなく、まったく同じ数値のシリーズです。
では、S&P500の見通しはどうでしょうか？
年率5～13％のためにこれだけのことをするのか？労力に見合わない)