Previsão de mercado com base em indicadores macroeconômicos - 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
Este é um objeto interessante a ser investigado. Pensando neste tópico cheguei à conclusão sobre a necessidade de analisar os dados macroeconômicos de forma dinâmica - na minha opinião não é suficiente dizer que as reivindicações de desemprego aumentaram, pois isto pode ser devido a flutuações sazonais e é de curto prazo - o mercado pode ou não reagir e novamente dependendo da tendência que prevalece no mercado. Então talvez tente investigar a força dos indicadores em termos de sua capacidade de reverter uma tendência? Por exemplo, pegue um ziguezague ou identifique os pontos de inversão e correção de tendência no gráfico e procure uma inversão dos indicadores macroeconômicos dentro de três dias antes do intervalo, e reunindo um grupo de tais indicadores para analisar o que esses indicadores mostram e depois procurar padrões. Nem todos os indicadores serão o motivo da inversão do mercado - o potencial, a tendência do mercado e o indicador para os períodos passados são importantes, assim como a totalidade de outros indicadores econômicos.
Esta é uma idéia bastante interessante. Ou seja, concentrar-se apenas nas quebras de tendência e identificar indicadores-chave que influenciam essas quebras.
Tenho pensado muito sobre os aberrantes. Eles precisam ser ignorados, ou vice-versa, você deveria prestar mais atenção a eles. A teoria da regressão clássica ensina a ignorá-los. Mas às vezes me parece que pequenas flutuações de preço em torno de uma tendência são um ruído, enquanto a regressão clássica lhes dá a maior importância. As curvas acentuadas nas tendências (outliers) são provavelmente um sinal mais importante. Mas todas as minhas tentativas de construir um modelo que prestasse mais atenção às aberrações (por exemplo, escolhendo u>1) levaram a um erro de previsão mais elevado do tipo raiz-meios quadrados. O alisamento das aberturas levou a um menor erro de previsão.
Portanto, você tem que olhar manualmente toda a lista de variáveis de entrada e decidir intuitivamente, ou com base em alguma outra consideração, que "esta variável de entrada é susceptível de afetar e esta provavelmente não".
...Selecionou manualmente alguma lista, depois filtrada por um algoritmo e obteve a lista. E o valor de tal lista é fundamental: modelos que utilizam tal conjunto de entradas "influenciadoras" (utilizando 3 tipos diferentes de modelos) NÃO têm a propriedade de sobre-aprendizagem, que é a principal emboscada. É o excesso de equipamento que é a principal conseqüência do uso de dados de entrada de "ruído".
Você já provou parte da história na amostra e testou na parte fora da amostra? Se você selecionar os preditores em toda a trama e depois calcular o erro fora da amostra em parte da mesma trama, isso é olhar para o futuro.
Ainda mais duro.
Seguindo a linha com grande interesse.
Dado-Aleks- post, não está claro o que você vai prever: direção ou magnitude? Se "direção", então são modelos de classificação, e se "magnitude", então são modelos de regressão, e eles têm problemas com diferentes ARIMA e ARCH. Detenção com diferenciação não resolve completamente o problema, além de tudo em macroeconomia confunde a sazonalidade....
A idéia de-Aleks- para a seleção de preditores é muito interessante. Geralmente, na primeira etapa, eu faria duas etapas preliminares:
1. selecione por-Aleks - alguns conjuntos bastante grandes de variáveis independentes.
2. Construiu uma regressão e descartou todas as variáveis que têm coeficientes insignificantes.
O último passo não é realmente fácil. Tudo é como escrevi, desde que não haja correlação entre as variáveis independentes. E há sempre uma correlação acima de 0,7 e a lista de preditores descartados depende da ordem em que é feita.
Depois disso, pode-se olhar para ela e decidir o que fazer a seguir.
A exigência de estacionaridade é muito rígida e completamente injustificada.
.
E os modelos "não estacionários" funcionam muito bem ;)
Você pode dizer isso sobre qualquer modelo, não apenas regressão, mas também modelos neurais, ARMA e outros. Se não houver relação entre entradas e saídas, qualquer modelo gerará uma previsão, apenas imprecisa.
Uma grande ou pequena quantidade de dados de entrada é toda relativa.
Esta é uma idéia bastante interessante. Ou seja, concentrar-se apenas nas quebras de tendência e identificar indicadores-chave que influenciam essas quebras.
Tenho pensado muito sobre os aberrantes. Eles precisam ser ignorados, ou vice-versa, você deveria prestar mais atenção a eles. A teoria da regressão clássica ensina a ignorá-los. Mas às vezes me parece que pequenas flutuações de preço em torno de uma tendência são um ruído, enquanto a clássica regressão lhe dá a maior importância. As curvas acentuadas nas tendências (outliers) são provavelmente um sinal mais importante. Mas todas as minhas tentativas de construir um modelo que prestasse mais atenção às aberrações (por exemplo, escolhendo u>1) levaram a um erro de previsão mais elevado do tipo raiz-meios quadrados. O alisamento dos valores aberrantes levou a um erro de previsão menor.
Assim, podemos considerar o atraso - e calcular o desvio percentual da quebra de preço quando o indicador econômico sair. Ainda existem algumas idéias, mas a obviedade de seu uso pode ser entendida no local.
Em geral, muitos dados econômicos são relativos ao mês ou ano anterior, o que também deve ser levado em conta no display gráfico...
Outra idéia - provavelmente não são os dados em si que influenciam a mudança de tendência, mas seu desvio dos dados esperados ou da dinâmica passada - aqui você também pode verificar - comparando a dinâmica passada do movimento do índice com sua mudança (mudança forte ao longo do vetor ou contra - pelo menos usando SMA) e olhar para a mudança do vetor do movimento do preço com um retardo.
Não tenho certeza de que todo esse trabalho possa ser feito por uma pessoa - você precisa de um plano de ação claro e metodologia de análise de resultados intermediários - pode ser o trabalho de uma vida inteira, que responderá à questão de como o desempenho econômico passado do mercado foi influenciado... No entanto, a metodologia desenvolvida permitirá que você procure padrões nos movimentos atuais do mercado.
Elaborando a idéia, devemos dividir os diferentes indicadores pela freqüência de seu lançamento - provavelmente quanto mais raro o indicador sair, mais tempo ele terá um impacto no mercado.
Os mais influentes para os EUA são astaxas percentuais da UR eFOMC Meeting. Eles são mensais.
Se os dados de desemprego forem formalizados, então a ata de reunião do Fed não pode ser formalizada numericamente.
Caso contrário seria como dois dedos...
Para este número de variáveis, 65 observações são muito poucas.
Pelo menos i*10 observações + 15-20% para um teste de avanço.
Os mais influentes para os EUA são astaxas percentuais da UR eFOMC Meeting. Eles são mensais.
Se os dados de desemprego forem formalizados, então a ata de reunião do Fed não pode ser formalizada numericamente.
Caso contrário seria como dois dedos...