Previsão de mercado com base em indicadores macroeconômicos - página 51
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
Concordo, eu mesmo já escrevi tal coisa em algum lugar aqui. Escolher um preditor em toda a história e depois usar um teste prospectivo da mesma história é uma auto-enganação que todos, de comerciantes a cientistas, fazem. Muitos artigos escritos sobre a previsão da economia começam com uma lista de preditores selecionados e depois relatam resultados "ótimos". Os comerciantes escolhem estratégias baseadas, por exemplo, em recuperação ou fuga porque "funcionou no passado" e esperam que funcione no futuro e mostre testes do passado sem perceber que sua escolha da estratégia em si foi baseada em seu estudo de TODAS as histórias, incluindo a história para testes futuros. Para mim, o teste futuro do meu PIB e do meu modelo de mercado será o futuro, por isso, abri este fio condutor - fazer previsões, ver como elas se tornaram realidade em tempo real. O trabalho não está terminado. Há muitas idéias para a transformação não-linear de dados. Por exemplo, alguns preditores como HOUST afetam o crescimento do PIB através de alguma função de limiar.
Não-linearidade, sim.
Mas como você encontra uma função não-linear? Experimentando diferentes variantes? Ou apenas usar redes neurais?
Não-linearidade, sim.
Mas como você encontra uma função não-linear? Experimentando diferentes variantes? Ou apenas usar redes neurais?
Você também poderia experimentar Random Forest, é mais fácil de usar e também simula as não-linearidades.
Exemplo: https://www.quora.com/How-does-random-forest-work-for-regression-1
A aparência da função resultante também pode ser avaliada com as ferramentas embutidas.
Você também pode experimentar Random Forest, é mais fácil de usar e também simula as não-linearidades.
Exemplo: https://www.quora.com/How-does-random-forest-work-for-regression-1
A aparência da função resultante também pode ser avaliada com as ferramentas embutidas.
Não-linearidade, sim.
Mas como você encontra uma função não-linear? Experimentando diferentes variantes? Ou apenas usar redes neurais?
Portanto, pensemos juntos. Eu queria escolher uma simples função de passo:
out = -1 se entrada < limiar, +1 se entrada > limiar
Onde o limiar é nosso limiar desconhecido, diferente para diferentes preditores. Por exemplo, para o S&P500 e o PIB incrementa o limiar = 0, ou seja, as quedas destes indicadores em si são importantes, não o limiar. Para outros indicadores econômicos, não é tão simples. O limiar precisa ser ajustado. A modelagem poderia se parecer com isto:
1. determinar o tipo de dados: ascendente (S&P500, PIB,...) ou variado (taxa de desemprego, taxas federais,...), comparando os valores no início e no fim da história - você deve pensar em um método automático robusto para determinar os dados.
2. Se os dados estiverem aumentando, então substitua-os por incrementos de x[i] - x[i-1]. Se o alcance, então não mude.
3. Escolha uma produção simulada como os incrementos do PIB (crescimento) e aplique a ela uma função de passo com limiar zero, ou seja, o crescimento do PIB é substituído por uma série binária +/-1.
4. Começamos a enumerar todos os preditores e suas versões atrasadas para capacidade de previsão desta forma. Pegamos um preditor ou seus incrementos dependendo do ponto 2, medimos seu alcance ao longo de toda a história, dividimos este alcance por exemplo 10 e obtemos 9 limites. Usando cada um dos 9 limiares, substituir o preditor por uma série binária de +/-1, e contar o número de +1 e -1 de nosso preditor que coincidiu com +1 e -1 de nossas séries simuladas (PIB), obtendo M coincidências para N barras completas na história. Calculamos uma função de M/N para cada um dos 9 preditores e deixamos o limiar que dá a maior freqüência de coincidência. E repita isto para cada prognosticador. Este deve ser um cálculo rápido.
Se alguém quiser ajudar, pegue os dados que coloquei aqui há algumas páginas e experimente-os. Quero terminar o modelo linear por enquanto e depois passar para o modelo não linear.
PS: Como há muito mais valores positivos (+1) do que negativos (-1) na série de incrementos do S&P500 e do PIB, você pode chegar a uma modificação do método descrito acima para ponderar mais fortemente a coincidência de valores negativos, enfatizando assim as diminuições em vez de aumentos nestes indicadores. Por exemplo, a bondade do indicador de ajuste pode se parecer com isto:
J = M(+1)/N + W*M(-1)/N
onde W é um peso >1 refletindo o quanto há menos valores negativos no crescimento do PIB do que valores positivos.
Um grande problema surgirá se quisermos encontrar um modelo com 2 ou mais preditores. Temos que pensar como conectar esses preditores: com funções AND, OR ou XOR. Quando conectados, os limiares precisarão ser novamente otimizados.
Um grande problema surgirá se quisermos encontrar um modelo com 2 ou mais preditores. Precisamos pensar em como conectar esses preditores: com funções AND, OR ou XOR. Quando conectados, os limiares precisarão ser novamente otimizados.
Se alguém quiser ajudar, pegue os dados que eu coloquei aqui há algumas páginas e experimente-os.
Os mesmos dados podem ser convertidos para csv?
Concluída a previsão linear do PIB. Aqui estão dois trimestres à frente:
Há 4 preditores no modelo, embora 3 sejam suficientes. Depois de 3-4 preditores, o restante parece ruído. Prever o S&P500 com o mesmo método que o GDP funciona muito mal. Eu nem sequer o mostro aqui. Eu também tentei rapidamente transformações não lineares com uma função de passo como descrevi anteriormente. Funciona pior do que a regressão linear.
Aguardando a liberação do novo valor do PIB no final do mês de abril. Descansando por enquanto.
Em anexo. A primeira coluna mostra as datas no formato Matlab, do 1º trimestre de 1959 ao 4º trimestre de 2015. As demais colunas são números econômicos e financeiros não convertidos. O PIB está na coluna 1168.
Concluída a previsão linear do PIB. Aqui estão dois trimestres à frente: