Discussão do artigo "Abordagem econométrica para análise de gráficos" - página 5
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
Não, apenas os mesmos. Os retornos são simplesmente as primeiras diferenças da série de preços Close[i]-Close[i+n] (em meu gráfico, eles são obtidos com uma defasagem de 8, mas a curva é exatamente a mesma para qualquer defasagem). Just returns é um termo comum principalmente na literatura ocidental. No fórum MQL4, as pessoas costumam usá-lo em discussões sobre matstat (elas são tradicionalmente acaloradas lá))) portanto, eu o usei por hábito. Se for mais conveniente, escreverei "primeira diferença de uma série" ou "incremento de uma série". Mas "derivada" é um termo muito incorreto para séries temporais, pois não há derivadas aqui e não pode haver. Se você se lembrar, até mesmo o aparato analítico para derivadas e diferenças é seriamente diferente (por exemplo, compare a forma p. Fourier e a forma z...).
Há várias definições para retornos na literatura, e há diferentes tipos deles. Entendo que seu termo "logaritmo do incremento relativo" se encaixa na fórmula do meu artigo.
O termo "derivativos de séries de preços" não são de forma alguma derivativos no sentido matemático. Eles são derivados no sentido de:
1. derivado de outro; derivado de outra coisa.
Mas a distribuição do logaritmo do incremento relativo.....
É como uma imagem espelhada da distribuição lognormal....
De modo geral, podemos anunciar um concurso - o primeiro que encontrar um valor normalmente distribuído no Forex deve ser colocado no quadro de honra como aquele que provou a inexperiência dos esforços dos ganhadores do Prêmio Nobel)))))
Concordo. Ele foi dado como um exemplo, não como uma distribuição empírica. Se eu não transmiti isso ao leitor, o pecado é meu.
Portanto, aconselho você e todos os outros a tentar acompanhar menos as autoridades e mais a pesquisar por conta própria.
Para o ARCH. E o GARCH foi inventado por Bollerslev. Tudo muda, inclusive os modelos. Escolhi o mais simples e universal para o exemplo.
Obrigado pelo conselho.
Comentários:
- Leo tem razão, o título do artigo não reflete o que está em questão. Para Roche, ele fez uma pergunta. Vou mudar uma palavra no título: " Econometric Approach to MQ Firm Analysis". Você pode ver como tudo muda imediatamente, especialmente a abordagem .....
- O artigo usa uma abordagem conhecida como análise de séries temporais (TSA) e essa abordagem não se importa com o que analisar, seja a série de preços ou a eficiência da venda de neve para esquimós :-), e você, como autor, fala sobre isso, mas o chama (o artigo) de forma diferente por algum motivo.....
- Ao realizar a AVR, a base é exatamente a análise da ACF (função de autocorrelação), seu TIPO e parâmetros. Em primeiro lugar, o VID da função de autocorrelação (você não diz uma palavra sobre isso, mas é o VID que determina o modelo posterior .
- Você simplesmente arrastou o modelo GARCH para cá por decisão deliberada. Embora, até mesmo pela sua pesquisa (sinais indiretos), seja possível entender que esse modelo não é adequado... e não é universal, há outros melhores... para aqueles que vão negociar volatilidade, ele pode ser adequado, mas para a previsão de séries de preços (nosso objetivo), ele não é adequado de forma alguma. Posso explicar mais detalhadamente o motivo, se você estiver interessado, mas agora vou ser breve. O principal aspecto que me chamou a atenção
Agora, em termos de metodologia.
- você optou por obter a ACF por meio da transformada de Fourier. Isso é possível, mas, pelo que me lembro, deve haver obrigatoriamente a obtenção do módulo e, possivelmente (escrevo de memória), a obtenção do quadrado do módulo antes da transformada de Fourier inversa. Não vi isso em seu algoritmo (talvez eu não estivesse atento).
- Na figura em que você mostra a ACF, fica claro que há um erro nos cálculos. A ACF, por definição, é uma função que se encontra entre -1...+1, e você tem aí +-200 e um multiplicador 1e4 (algo com normalização no 0º termo).
- você está subtraindo o MOG (valor médio m=mean(res);). Por que remover equações de linha reta sem tendência? Por favor, justifique
- Como especialista em processamento espectral, você deve saber que a remoção do MOJ é semelhante a zerar o componente zero do espectro, mas, para ser completamente correto, esse componente do espectro é o mais poderoso e, de acordo com os lóbulos laterais da função sin(x)/x , ele se estende a todo o espectro. É necessário aplicar pelo menos uma janela de hemming (hening, butterworth,...) para suprimir os lóbulos laterais (esse efeito).
- Nos comentários, você escreve "transformada de Fourier ponderada inversa" , como ela difere de uma simples transformada inversa? O que e por que você a pondera?
Há mais perguntas... ou melhor, algumas coisas com as quais não concordo. .. não se pode tomar a natureza do H4, não se pode ser enganado, quanto mais distantes os pontos no eixo do tempo, menor a correlação entre eles, respectivamente, a precisão da previsão será sempre pior do que em um intervalo de tempo curto.
Você não pode usar o logaritmo ( ou melhor, você pode, mas não deve se esquecer dele), caso contrário, você terá um abracadabra. Em poucas palavras, essa transformação sobre os dados iniciais altera o tipo de ACF (você pode verificar isso com a ajuda do pacote de estatísticas), muitas pessoas pisam nesse ancinho, e eu já pisei nele uma vez... o tipo de outro é extremamente importante.
H.Y. pronto para participar da pesquisa, pois sempre me interessei e me interesso por esse assunto, a capacidade de prever, mas nem tudo é simples, há muitos pontos brancos, os estudos que encontrei, muitas vezes, têm pontos brancos, são comentados de passagem, não revelam a essência, embora seja claro, pois além disso já está mentindo dinheiro e os algoritmos começam a trazer renda. https://www.mql5.com/pt/code/8295
Sim, e sobre o teste Q, sim, nós o fizemos, mas e depois?
Você conseguiu responder qual modelo agora corresponde ao que você observa?
Quais são os parâmetros desse modelo? O que esse teste lhe proporcionou? Para qual pergunta você obteve uma resposta? Quero dizer que suas hipóteses estão um pouco erradas....
você pode fazer isso de forma diferente, o principal é entender o que esse teste está procurando, o que ele determina na amostra...
Observações:
- Ao realizar o AVR, a base é exatamente a análise da ACF (função de autocorrelação), sua VIDA e parâmetros. Em primeiro lugar, é o tipo da função de autocorrelação (você não diz uma palavra sobre isso, mas é o tipo que determina o modelo posterior .
- Você simplesmente arrastou o modelo GARCH para cá por decisão deliberada. Embora até mesmo por sua pesquisa (sinais indiretos) seja possível entender que esse modelo não é adequado... e não é universal, há outros melhores... para aqueles que vão negociar volatilidade, ele pode ser adequado, mas para a previsão de séries de preços (nosso objetivo), ele não é de forma alguma adequado. Posso explicar mais detalhadamente o motivo, se você estiver interessado, mas agora vou ser breve. O principal aspecto que me chamou a atenção
Decidi responder o que é mais importante e interessante.
Concordo que o tipo de ACF determina o modelo posterior . Mas não tratei disso no artigo até o momento. Essa é uma tarefa para uma etapa posterior. Até agora, abordei o estágio de pré-estimação, o chamado estágio de pré-estimação.
Eu trouxe o GARCH aqui por causa de sua relativa simplicidade. Como você decidiu que ele não é adequado se ainda nem o avaliamos? :-)
Especifiquei-o como uma base matemática que leva em conta as alterações anteriores dos indicadores(ϵ2t -i) e as estimativas anteriores da variância (as chamadas "notícias antigas") (σ2t-i).
Oobjetivo principal - fazer uma previsão da taxa de câmbio (preço) usando algum modelo - não é resolvido em um único artigo...
- você seguiu o caminho de obter a ACF por meio da transformada de Fourier. É possível fazê-lo dessa forma, mas, pelo que me lembro, deve haver obrigatoriamente a obtenção do módulo e possivelmente (estou escrevendo de memória) o quadrado do módulo antes da transformada de Fourier inversa. Não vi isso no seu algoritmo (talvez eu não estivesse prestando atenção).
Analysis: Forecasting and Control (Análise de séries temporais: previsão e controle). 3ª edição. Upper Saddle River, NJ: Prentice-Hall, 1994.
E ele também é implementado no Matlab.
Decidi responder à mais importante e interessante.
...
E quanto ao fato de que a ACF deve estar dentro do intervalo de -1 a +1? não é interessante? porque antes de tirar qualquer conclusão, primeiro é preciso ter certeza de que tudo foi calculado corretamente.
H.Y. E o fato de que em um artigo nem tudo pode ser apresentado, é claro, um vagão modelo de esteira e um carrinho pequeno ))
E sobre a referência à literatura estrangeira, aqui está esta olhada em http://www.statsoft.ru/home/textbook/modules/sttimser.html#1general.
No pacote statistics, há um cálculo de ACF que coincide com o matlab, em uma ocasião eu o verifiquei. Compare os resultados de seus cálculos no MQL e com esses pacotes, com os mesmos dados. Você tem um erro em algum lugar
- Pela figura em que você mostra a ACF, fica claro que há um erro nos cálculos. A ACF, por definição, é uma função que está entre -1...+1, e você tem +-200 e um multiplicador 1e4 (algo com normalização para o 0º termo).
Leia com mais atenção a descrição do eixo y no artigo. Eu fiz isso por causa da impossibilidade de refletir pequenos valores menores que a unidade com a ajuda da API do Google Chart.
Além disso, como você pode ver no algoritmo, removi a defasagem zero da matriz ACF, que é sempre igual a 1. Isso torna o gráfico mais legível.
- você está subtraindo o MOG (mean m=mean(res);). Por que remover equações de linha reta sem tendência? Por favor, justifique isso.
Essa é uma pergunta para teóricos. Se você estiver interessado, já indiquei a fonte do algoritmo.
- O senhor, como especialista em processamento espectral, deve saber que a remoção da MOG é semelhante a zerar o componente zero do espectro, mas, para ser completamente correto, esse componente do espectro é o mais poderoso e, de acordo com os lóbulos laterais da função sin(x)/x , ele se estende por todo o espectro. É necessário aplicar pelo menos uma janela de hemming (hening, butterworth,...) para suprimir os lóbulos laterais (esse efeito).
Ah, não sou especialista em nada. Você pode explicar melhor? :-)
- Nos comentários, você escreve "transformada de Fourier ponderada inversa" , como ela difere de uma simples transformada inversa? Como e por que você a pondera?
Ela está descritaaqui, creio que em ....
... não se pode aceitar a natureza H4, pois quanto mais distantes os pontos no eixo do tempo estiverem uns dos outros, menor será a correlação entre eles, de modo que a precisão da previsão será sempre pior do que em um intervalo de tempo curto.
Não é possível usar o logaritmo ( ou melhor, é possível, mas não se esqueça disso), caso contrário, você terá um abracadabra, em poucas palavras, essa transformação sobre os dados iniciais altera a forma da ACF, éextremamente importante (você pode verificar isso com a ajuda do pacote de estatísticas), muitas pessoas pisam nesse ancinho, e eu já pisei nele uma vez... a forma é diferente.
Eles levam dias e semanas :-)
Logaritmo de quê? Desculpe-me!
Trolls:
... no pacote estatístico há um cálculo de ACF e no matlab ele coincide, em uma ocasião eu verifiquei isso. Compare seus resultados de cálculo no MQL e com esses pacotes, com os mesmos dados. Você tem um erro em algum lugar
Eu já comparei. Tudo está correto, não há erro. É que a visualização de dados ainda está sofrendo por causa do Google.
Nos comentários deste artigo , 21 de janeiro de 2011 às 14:19, mostrei o gráfico ACF como ele normalmente se apresenta, mas sem a defasagem zero, que é sempre igual a 1.