Discussão do artigo "Abordagem econométrica para análise de gráficos" - página 2
Você está perdendo oportunidades de negociação:
- Aplicativos de negociação gratuitos
- 8 000+ sinais para cópia
- Notícias econômicas para análise dos mercados financeiros
Registro
Login
Você concorda com a política do site e com os termos de uso
Se você não tem uma conta, por favor registre-se
Acrescentar. Vamos republicar.
Errado, e o wiki tem erros. Considere a distribuição uniforme. Você pode calcular a curtose, mas não há nenhuma cauda. Portanto, você foi informado corretamente de que, no caso geral, não há relação entre gravidade, comprimento, a própria presença de caudas e o coeficiente de curtose. Considere uma distribuição triangular - a mesma coisa.
O que exatamente está errado?
-Alexey, honestamente, no campo da pesquisa de séries temporais, em particular a série de retornos que descrevi no artigo, nunca encontrei distribuições como a que você está falando (triangular e uniforme). É muito provável que elas tenham uma finalidade completamente diferente. Portanto, não há necessidade de se referir a alguns exemplos marginais, não consigo encontrar outra palavra, desculpe-me. E se você afirmar algo, tenha a gentileza de dar um exemplo analítico concreto.
As distribuições mais frequentemente, se não sempre, usadas na análise acima são a distribuição normal, a distribuição de Student e a distribuição de Cauchy.
...para usar esse coeficiente, é necessário, em primeiro lugar, determinar a função de distribuição empírica, o que não é uma tarefa trivial do ponto de vista da matemática, e, em segundo lugar, dentro da estrutura de alguns critérios probabilísticos, testar e aceitar a hipótese de que a distribuição tem um único modo, o que nem sempre é cumprido para séries financeiras e também é uma tarefa não trivial. Sem a execução dessas etapas, é impossível realizar outros cálculos, caso seja necessário o "Coeficiente de excesso".
Observação valiosa. Se alguém fizesse o Ajuste de Distribuição em um artigo, haveria material suficiente para um segundo artigo. Talvez, no futuro, eu ou outra pessoa escreva um artigo sobre esse tópico. O objetivo era simplesmente apontar as características de uma série temporal que exigem o uso de modelos não lineares.
-Alexey-:
Não há nada escrito sobre o que fazer se o teste disser que a série não é aplicável ao modelo assumido.
Nada é dito sobre por que e com base em que uma série dos chamados "rendimentos" e não outra é usada.
Quais são atraentes e para qual finalidade? Por que são atraentes e não convenientes? Qual é um critério matemático válido para escolher o tipo de conversão?Sim, nada está escrito :-)
Porque a lógica é simples. Se um teste, aqui um teste Q, não mostra autocorrelação, então não faz sentido usar um modelo não linear. Use os lineares.
A série de retornos é usada com base no fato de que a estacionariedade da série temporal é garantida. Isso é importante, por exemplo, para a modelagem subsequente.
O preço do ativo não é estacionário. Os rendimentos geralmente são estacionários.
Além disso, é possível comparar diferentes séries entre si, ou seja, figurativamente falando, cruzar ouriços com ouriços.
Normalmente, a frequência da série é relativamente alta (diária, horária etc.), de modo que a série de retornos pode ser obtida por meio de composição contínua (que foi o que fizemos) ou por meio de composição simples. A diferença seria pequena.
Acho que a questão da diferença entre os termos "atraente" e "conveniente" é discutível.
Você acha que os críticos devem comparecer às defesas de tese ou devem simplesmente aceitá-la sem defesa e iniciar a pesquisa prática? Acho que você vai gostar de saber que as correlações não foram calculadas corretamente. As críticas têm o objetivo de melhorar o material, ninguém está argumentando que o artigo é bom. Para que o lucro em seus sistemas não seja pequeno, mas maior.
A crítica é muito necessária. Pois em uma disputa encontramos a verdade, como regra geral.
-Alexey-, e qual é a incorreção do cálculo, você pode especificar?
A autocorrelação nas séries de rendimento geralmente é fraca ou inexistente.
O que exatamente está errado?
-Alexey, honestamente, no campo da pesquisa de séries temporais, em particular a série de retornos que descrevi no artigo, nunca encontrei distribuições como a que você está falando (triangular e uniforme). É muito provável que elas tenham uma finalidade completamente diferente. Portanto, não há necessidade de se referir a alguns exemplos marginais, não consigo encontrar outra palavra, desculpe-me. E se você afirmar algo, tenha a gentileza de dar um exemplo analítico concreto.
As distribuições usadas com mais frequência, se não sempre, na análise acima são a distribuição normal, a distribuição de Student e a distribuição de Cauchy.
Elas podem ser usadas com mais frequência, mas a distribuição real não é a normal, a de Cauchy ou a de Student, mas geralmente está mais próxima da distribuição de Laplace. Foi dito corretamente acima que a tarefa de identificar a distribuição não é trivial, mas isso não significa que seja impossível. De qualquer forma, estou pessoalmente convencido pelos testes de conformidade com a exponencial dupla com o resultado R^2 = 0,999 muito bem.
Agora sobre esse gráfico:
Aqui, a propósito, somente as distribuições de Laplace são desenhadas, o que significa que todas elas têm uma razão de excesso de exatamente 3. Portanto, ele novamente não tem nenhuma relação com a "espessura das caudas" - é a mesma coisa para todos os gráficos apresentados aqui.
PS: Eu também falaria sobre o fato de os econometristas reimprimirem uns aos outros de um livro-texto para outro e depois para o paedivikia, mas tudo bem, vou deixar isso para a próxima vez.
pergunta para o autor do artigo.
Você interpreta o teste de Lewing-Box da seguinte forma (citação):
A interpretação correta de acordo com a definição do critério deve ser a seguinte:
Elas podem ser usadas com mais frequência, mas a distribuição real não é normal, nem Cauchy ou Student, mas geralmente mais próxima da distribuição de Laplace. Foi corretamente afirmado acima que a tarefa de identificar a distribuição não é trivial, mas isso não significa que seja impossível. De qualquer forma, estou pessoalmente convencido pelos testes de conformidade com a exponencial dupla com o resultado R^2 = 0,999 muito bem.
Agora sobre esse gráfico...
Aqui, a propósito, apenas as distribuições de Laplace são desenhadas, o que significa que todas elas têm uma razão de excesso de exatamente 3. Portanto, mais uma vez, isso não tem relação com a "espessura das caudas" - é a mesma coisa para todos os gráficos apresentados aqui.
alsu, concordo que a distribuição de Laplace sempre tem uma razão de excesso de 3. Eu me precipitei com sua estimativa, porque não a vejo há muito tempo... Mas, mais uma vez, repito que os econometristas no campo de pesquisa sobre o qual escrevi usam essas distribuições. Se os ganhadores do Prêmio Nobel não são autoridades para você (por exemplo, Robert Engel), então eu vou deixar passar.
Se você não der um exemplo analítico concreto, considero o argumento especulativo.
denkir:
O que exatamente está errado?
1) Cada coeficiente é determinado usando uma quantidade diferente de dados, ou seja, eles são estatisticamente desiguais. Portanto, cada coeficiente deve ser testado quanto à significância separadamente dos demais. Esse não é o caso do teste de Ljung-Box.
2) O nível de significância do teste é escolhido com base em quê - assim mesmo?
-Alexey, honestamente, no campo de pesquisa de séries temporais, em particular séries de rendimento, que descrevi no artigo, nunca encontrei distribuições como a que você está falando (triangular e uniforme). É muito provável que elas tenham uma finalidade completamente diferente. Portanto, não há necessidade de se referir a alguns exemplos marginais, não consigo encontrar outra palavra, desculpe.
Então você não respondeu - de onde veio essa série de retornos, qual é a justificativa para a escolha da transformação? Sem dúvida, você pode obter uma linha reta do gráfico de preços com a ajuda de transformações, mas qual é a utilidade? Eu li o que você está escrevendo:
A série de retornos é usada com base no fato de que a estacionariedade da série temporal é garantida.
Essa abordagem é apenas uma confusão terrível com uma grande perda de informações. O que há para prever então? Na linguagem da matemática, isso é chamado de ajuste dos dados ao método de previsão. Mas essa não é a maneira de fazer isso. O método só pode ser usado se os dados iniciais forem aceitáveis para ele, e não para cortá-los de modo que se tornem aceitáveis. Esse é um problema bem conhecido da estatística moderna.
E se você afirmar algo, tenha a gentileza de dar um exemplo analítico concreto.
Aqui está um exemplo concreto, não analítico, mas prático, sobre a situação atual do euro às 4 horas. Distribuição sobre um número de resíduos que obtive por meio de outras transformações, e sei por quê. Você pode ver que a distribuição está próxima da triangular.
E sua forma pode mudar da maneira mais bizarra possível, porque essa série não é estacionária. De onde você tirou a ideia de que a série de preços é distribuída de acordo com a
a distribuição normal, a distribuição de Student e a distribuição de Cauchy.