Salavat: 알겠습니다. 논쟁하지 않고 다시 말씀드리겠습니다: 여러 가지 대안 중에서이 글에서 설명한 방법도 유망한 대안으로 고려해야 한다고 생각합니다.
설명한 도구는 다음과 같은 상황에서 의심할 여지 없이 유용할 수 있습니다.
1. 독립 변수가 수십 개 또는 수백 개로 많은 TC를 구성하는 작업에서 설명한 접근 방식은 몇 가지 검색 방향을 표시하는 데 유용할 것입니다. 이러한 형식적인 방향이 독립 변수가 종속 변수에 미치는 영향과 독립 변수의 상호 영향에 대한 실질적인 추론과 짝을 이룬다면 괜찮습니다.
2. 더 큰 도구 세트를 위한 과도기적 단계로 제안한 도구. 요점은 제가 기억하는 한 통계는 매우 제한적인 툴킷이며 최신 버전이 아니라는 것입니다. 대상 변수에 대한 변수의 유의성을 분석하기 위한 첫 번째 단계를 수행한 후에는 R의 캐럿 셸에서 제공하는 것과 같은 더 큰 도구 집합으로 이동하는 것이 자연스러울 것입니다.
훨씬 더 의심스러운 것은 데이터의 출처입니다. 어떤 거시경제 지표의 발표를 사용했나요? 이러한 데이터에는 발표 날짜가 아니라 해당 데이터가 참조하는 기간의 종료 날짜가 표시되는 경우가 많습니다. 따라서 예를 들어 첫 번째 발표가 아닌 GDP 시리즈를 사용하면 최근 미국 GDP의 경우처럼 계산 방법을 수정하고 수십 년의 역사를 다시 그리는 것은 말할 것도 없고 6개월 후를 쉽게 살펴볼 수 있습니다.
기사가 흥미롭습니다. 감사합니다. 하지만 통계 사용에 대한 가이드에 가깝습니다. 그리고 그 안에는 많은 오해가 있습니다.
거시 경제 지표를 사용하여 5일 동안의 예측(이 단어는 회귀 방정식 및 최종 예측 헤더에 나타납니다)은 말도 안됩니다. 거시경제 지표는 월별, 분기별로 발표되고 몇 달에 걸쳐 조정됩니다. 또한 거시경제 지표는 일 단위는 말할 것도 없고 분기별, 연간 단위로도 많은 노이즈가 있습니다.
이 기사에서는 이러한 거시경제 지표가 어떻게 선택되었는지에 대한 설명이 거의 없습니다. 단순히 뉴스에서 자주 언급되는 가장 인기 있는 99개의 지표를 가져왔습니다. 거의 모든 지표가 시장을 선도하는 것이 아니라 후행하기 때문에 시장을 예측할 수 없습니다. 공장 주문이나 건축 허가를 예로 들어도 이미 몇 달 전에 발표되어 시장이 이미 반응한 구성 지표를 포함하고 있기 때문에 선행으로 간주되지만 실제로는 선행이 아닙니다. 무료로 비밀을 알려드리겠습니다. 데이터 목록에 없는 다른 소비 지표를 찾아보세요. 그들은 진정으로 선도하고 있습니다. 소비가 감소하자 공장 주문과 건축 허가가 감소했고, GDP와 시장도 함께 하락했습니다. 따라서 모든 것은 소비에서 시작됩니다. 이는 마르크스의 『자본』에도 잘 설명되어 있습니다.
회귀 분석은 경제 모델에도 매우 적용 가능합니다. faa1947은 수학적 방법의 본질에 들어가는 대신 몇 가지 도그마를 사용합니다. 문제는 방법이 아니라 데이터와 그 준비에 있습니다. 데이터는 회귀이든 '통제된 프로세스'이든 상관없이 고정적이어야 합니다. 경제 데이터는 원래 형태가 고정되어 있지 않습니다. 그러나 미분과 정규화 등을 통해 쉽게 고정된 데이터로 변환할 수 있습니다.
회귀의 문제점은 입력 계열을 충분히 많이 선택하면 모델링된 계열과 전혀 관련이 없는 다른 계열도 모델링된 계열에 삽입할 수 있다는 것입니다. 예를 들어 알래스카의 기온 변동, 로스앤젤레스의 대기 오염 데이터 등을 외환 가격에 성공적으로 통합할 수 있습니다. 이러한 "외부 데이터"를 포함하면 회귀 오차를 0으로 만들 수 있습니다. 예측의 정확도도 0이 됩니다. 따라서 올바른 데이터를 선택하는 방법, 얼마나 많이, 얼마나 지연되는지 알아야 합니다.
기업이 어떻게 작동하는지에 대한 메커니즘을 아는 것도 유용합니다. 예를 들어, 누구나 실업률을 인용하는 것을 좋아합니다. 실업률을 경제의 바로미터로 여기기 때문이죠. 하지만 사실 실업률이 상승한 후에는 이미 경제가 하락하고 있고 오랫동안 지속되어 왔기 때문에 대응하기에는 너무 늦습니다. UR의 문제점은 16세 이상의 모든 사람을 포함한다는 것입니다. 인구 집단과 직종에 따라 실업률은 수십 가지가 넘습니다. 기업이 제품에 대한 수요가 감소하면 누구를 가장 먼저 해고할까요? 그리고 두 번째 질문은 어떤 기업이 가장 먼저 수요 감소를 느낄까요?
기사가 흥미롭습니다. 감사합니다. 하지만 통계 사용에 대한 가이드에 가깝습니다. 그리고 그 안에는 많은 오해가 있습니다.
거시 경제 지표를 사용하여 5일 동안의 예측(이 단어는 회귀 방정식 및 최종 예측 헤더에 나타납니다)은 말도 안됩니다. 거시경제 지표는 월별, 분기별로 발표되고 몇 달에 걸쳐 조정됩니다. 또한 거시 경제 지표는 일 단위는 말할 것도 없고 분기별, 연간 단위로도 많은 노이즈가 있습니다.
이 기사에서는 이러한 거시경제 지표가 어떻게 선택되었는지에 대한 설명이 거의 없습니다. 단순히 뉴스에서 자주 언급되는 가장 인기 있는 99개의 지표를 가져왔습니다. 거의 모든 지표가 시장을 선도하는 것이 아니라 후행하기 때문에 시장을 예측할 수 없습니다. 공장 주문이나 건축 허가를 예로 들어도 이미 몇 달 전에 발표되어 시장이 이미 반응한 구성 지표를 포함하고 있기 때문에 선행으로 간주되지만 실제로는 선행이 아닙니다. 무료로 비밀을 알려드리겠습니다. 데이터 목록에 없는 다른 소비 지표를 찾아보세요. 그들은 진정으로 선도하고 있습니다. 소비가 감소하자 공장 주문과 건축 허가가 감소했고, GDP와 시장도 함께 하락했습니다. 따라서 모든 것은 소비에서 시작됩니다. 이는 마르크스의 『자본』에도 잘 설명되어 있습니다.
회귀 분석은 경제 모델에도 매우 적용 가능합니다. faa1947은 수학적 방법의 본질에 들어가는 대신 몇 가지 도그마를 사용합니다. 문제는 방법이 아니라 데이터와 그 준비에 있습니다. 데이터는 회귀이든 '통제된 프로세스'이든 상관없이 고정적이어야 합니다. 경제 데이터는 원래 형태가 고정되어 있지 않습니다. 그러나 미분과 정규화 등을 통해 쉽게 고정된 데이터로 변환할 수 있습니다.
회귀의 문제점은 입력 계열을 충분히 많이 선택하면 모델링된 계열과 전혀 관련이 없는 다른 계열도 모델링된 계열에 삽입할 수 있다는 것입니다. 예를 들어 알래스카의 기온 변동, 로스앤젤레스의 대기 오염 데이터 등을 외환 가격에 성공적으로 통합할 수 있습니다. 이러한 "외부 데이터"를 포함하면 회귀 오차를 0으로 만들 수 있습니다. 예측의 정확도도 0이 됩니다. 따라서 올바른 데이터를 선택하는 방법, 얼마나 많이, 얼마나 지연되는지 알아야 합니다.
기업이 어떻게 작동하는지에 대한 메커니즘을 아는 것도 유용합니다. 예를 들어, 누구나 실업률을 인용하는 것을 좋아합니다. 실업률을 경제의 바로미터로 여기기 때문이죠. 하지만 사실 실업률이 상승한 후에는 이미 경제가 하락하고 있고 오랫동안 지속되어 왔기 때문에 대응하기에는 너무 늦습니다. UR의 문제점은 16세 이상의 모든 사람을 포함한다는 것입니다. 인구 집단과 직종에 따라 실업률은 수십 가지가 넘습니다. 기업이 제품에 대한 수요가 감소하면 누구를 가장 먼저 해고할 것인가에 대한 질문이 있습니다. 그리고 두 번째 질문은 어떤 기업이 가장 먼저 수요 감소를 느낄까요?
제 관점을 충분히 설명하지 못했으니 아래에서 다시 한 번 간단히 설명해 보겠습니다.
1. 초기 데이터(예측 변수)를 선택하는 문제는 근본적이고 형식화되지 않았으며 과학보다는 예술에 더 가까운 경향이 있습니다. 통계의 기본 가정 중 하나인 "쓰레기 투입-쓰레기 배출"이라는 가정을 잊지 마세요.
2. 위에서 썼듯이 모델을 구축할 때 절반 이상의 시간은 초기 데이터의 목록과 유형을 선택하고 정당화하는 데 소비됩니다. 또한 초기 데이터의 형식적, 통계적 특성이 아니라 초기 데이터의 의미 있는 해석이 가장 중요합니다. 마타파라투스는 초기 데이터를 의미 있게 선택하기 위한 보조 수단입니다.
3. 문헌에 따르면, 저는 예측과 예측의 두 가지 유형을 구분합니다.
4. 예측: 역사를 바탕으로 몇 단계 앞선 미래로 추정합니다. 클래식: 마하를 사용하여 앞으로 추정합니다. 가장 큰 문제는 다음 값이 이전 값을 기반으로 하기 때문에 앞으로 나아가는 단계의 수가 증가함에 따라 오차가 누적된다는 것입니다.
5. 예측: 현재 입력 데이터 세트를 가져와서 아무런 사전 정보 없이 미래를 예측합니다. 이전 값은 사용되지 않습니다. 즉, +5를 예측하는 경우 예측과 달리 이전 4개의 값이 필요하지 않습니다.
5. 초기 데이터 외에도 우리가 예측하는 것은 매우 중요합니다. 거래할 때 우리는 두 가지 유형의 주문(옵션 포함)을 매수 및 매도할 수 있습니다. 어떤 이유로 우리는 회귀를 통해 미래 가격 가치를 예측하고 이 가격 가치에서 "매수 및 매도"를 결론 내립니다. 그리고 오차를 고려하고 신뢰 구간을 고려하여 "매수-매도" 결정을 내리면 결정을 내리는 것이 불가능하다는 것이 금방 분명해집니다. 이것은 다음과 같습니다 : 회귀 모델은 의미를 제안하는 회귀 모델 - 표현할 수 없습니다.
6. 거래 시스템의 주문과 일치하는 추세의 방향을 예측해야합니다. 이는"롱-숏" 또는 "롱-사이드-숏"과 같은 값을 예측할 수 있는 분류 모델 또는 쌍의 미래 가치 = 1.3500과 같이 정량적이지 않은 다른 정성적인 것을 통해 수행됩니다.
다음은 S&P500을 예측하는 회귀 모델의 예시입니다. 검은색 선은 과거 지수, 파란색 가로 실선은 분기별 평균, 점선은 예측치입니다. 예측은 분기 단위입니다. 예측의 정확도는 그리 크지 않지만 하락, 상승, 보합 등 움직임의 성격을 예측하는 데는 충분합니다. 이 모델은 올해 남은 3.5개월 동안 시장이 하락하거나 최상의 경우 보합세를 보일 것으로 예측합니다. 저는 이러한 예측을 제때에 시장에서 빠져나오기 위해서만 사용합니다.
지금까지 다른 접근 방식은 발견되지 않았습니다....
알겠습니다. 논쟁하지 않고 다시 말씀드리겠습니다: 여러 가지 대안 중에서이 글에서 설명한 방법도 유망한 대안으로 고려해야 한다고 생각합니다.
설명한 도구는 다음과 같은 상황에서 의심할 여지 없이 유용할 수 있습니다.
1. 독립 변수가 수십 개 또는 수백 개로 많은 TC를 구성하는 작업에서 설명한 접근 방식은 몇 가지 검색 방향을 표시하는 데 유용할 것입니다. 이러한 형식적인 방향이 독립 변수가 종속 변수에 미치는 영향과 독립 변수의 상호 영향에 대한 실질적인 추론과 짝을 이룬다면 괜찮습니다.
2. 더 큰 도구 세트를 위한 과도기적 단계로 제안한 도구. 요점은 제가 기억하는 한 통계는 매우 제한적인 툴킷이며 최신 버전이 아니라는 것입니다. 대상 변수에 대한 변수의 유의성을 분석하기 위한 첫 번째 단계를 수행한 후에는 R의 캐럿 셸에서 제공하는 것과 같은 더 큰 도구 집합으로 이동하는 것이 자연스러울 것입니다.
기사가 흥미롭습니다. 감사합니다. 하지만 통계 사용에 대한 가이드에 가깝습니다. 그리고 그 안에는 많은 오해가 있습니다.
기사가 흥미롭습니다. 감사합니다. 하지만 통계 사용에 대한 가이드에 가깝습니다. 그리고 그 안에는 많은 오해가 있습니다.
제 관점을 충분히 설명하지 못했으니 아래에서 다시 한 번 간단히 설명해 보겠습니다.
1. 초기 데이터(예측 변수)를 선택하는 문제는 근본적이고 형식화되지 않았으며 과학보다는 예술에 더 가까운 경향이 있습니다. 통계의 기본 가정 중 하나인 "쓰레기 투입-쓰레기 배출"이라는 가정을 잊지 마세요.
2. 위에서 썼듯이 모델을 구축할 때 절반 이상의 시간은 초기 데이터의 목록과 유형을 선택하고 정당화하는 데 소비됩니다. 또한 초기 데이터의 형식적, 통계적 특성이 아니라 초기 데이터의 의미 있는 해석이 가장 중요합니다. 마타파라투스는 초기 데이터를 의미 있게 선택하기 위한 보조 수단입니다.
3. 문헌에 따르면, 저는 예측과 예측의 두 가지 유형을 구분합니다.
4. 예측: 역사를 바탕으로 몇 단계 앞선 미래로 추정합니다. 클래식: 마하를 사용하여 앞으로 추정합니다. 가장 큰 문제는 다음 값이 이전 값을 기반으로 하기 때문에 앞으로 나아가는 단계의 수가 증가함에 따라 오차가 누적된다는 것입니다.
5. 예측: 현재 입력 데이터 세트를 가져와서 아무런 사전 정보 없이 미래를 예측합니다. 이전 값은 사용되지 않습니다. 즉, +5를 예측하는 경우 예측과 달리 이전 4개의 값이 필요하지 않습니다.
5. 초기 데이터 외에도 우리가 예측하는 것은 매우 중요합니다. 거래할 때 우리는 두 가지 유형의 주문(옵션 포함)을 매수 및 매도할 수 있습니다. 어떤 이유로 우리는 회귀를 통해 미래 가격 가치를 예측하고 이 가격 가치에서 "매수 및 매도"를 결론 내립니다. 그리고 오차를 고려하고 신뢰 구간을 고려하여 "매수-매도" 결정을 내리면 결정을 내리는 것이 불가능하다는 것이 금방 분명해집니다. 이것은 다음과 같습니다 : 회귀 모델은 의미를 제안하는 회귀 모델 - 표현할 수 없습니다.
6. 거래 시스템의 주문과 일치하는 추세의 방향을 예측해야합니다. 이는"롱-숏" 또는 "롱-사이드-숏"과 같은 값을 예측할 수 있는 분류 모델 또는 쌍의 미래 가치 = 1.3500과 같이 정량적이지 않은 다른 정성적인 것을 통해 수행됩니다.
7. 분류 모델을 구축할 때 이 문서가 매우 유용할 수 있습니다.
기사가 흥미롭습니다. 감사합니다. 하지만 통계 사용에 대한 가이드에 가깝습니다. 그리고 그 안에는 많은 오해가 있습니다.
다음은 S&P500을 예측하는 회귀 모델의 예시입니다. 검은색 선은 과거 지수, 파란색 가로 실선은 분기별 평균, 점선은 예측치입니다. 예측은 분기 단위입니다. 예측의 정확도는 그리 크지 않지만 하락, 상승, 보합 등 움직임의 성격을 예측하는 데는 충분합니다. 이 모델은 올해 남은 3.5개월 동안 시장이 하락하거나 최상의 경우 보합세를 보일 것으로 예측합니다. 저는 이러한 예측을 제때에 시장에서 빠져나오기 위해서만 사용합니다.
작성자에게 질문 또는 요청 - 획득한 모델에서 결과의 고급 탭으로 이동하여 부분 상관관계 버튼을 클릭하세요.
어렵지 않다면 각 모델 요소에 대한 PC 계수 값을 여기에 게시하세요.
작성자에게 질문 또는 요청 - 획득한 모델에서 결과의 고급 탭으로 이동하여 부분 상관관계 버튼을 클릭하세요.
어렵지 않은 경우 각 모델 요소에 대한 PC 계수 값을 여기에 게시하십시오.
모든 작업은 직접 수행 할 수 있으며 준비된 데이터가있는 파일은 아카이브 calendar_2010-2011_usd_out. zip의 기사에 첨부됩니다.