Estatísticas de dependência entre aspas (teoria da informação, correlação e outros métodos de seleção de características) - página 23
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
... e em que combinação?"
É mais complicado do que isso. Muito mais complicado e computacionalmente caro. Deixe-me colocar desta forma: é fácil selecionar um conjunto de variáveis informativas, é mais difícil remover variáveis redundantes (mutuamente informativas); e é mais difícil selecionar pares, triplos.... de variáveis cujas combinações influenciam a variável alvo é exponencialmente mais difícil, primeiro, por causa de cálculos enormes.
É muito estranho que a distribuição resultante para a GARCH(1,1) pareça normal. Mais ao ponto, simplesmente não pode ser. Uma marca registrada de tais modelos é a quilometragem e o alongamento - apenas para imitar as distribuições reais do mercado. Aparentemente, o gráfico resultante não é representativo ou o período de contabilização da volatilidade (P=1, Q=1) não é suficientemente longo e é por isso que mostra sinais de magreza.
Mas outra coisa é interessante:
No gráfico calculado, o traço da influência do GARCH(1,1) é claramente visto, ou seja, na primeira etapa há uma perturbação significativa de "relacionamento" e incerteza em todos os outros dados. É exatamente assim que deve ser, pois o modelo só se lembra da volatilidade da barra anterior. Tenho certeza de que os primeiros três desfasamentos serão claramente marcados para GARCH(3,3), os primeiros vinte desfasamentos para GARCH(20, 20), etc.
Vou tentar lutar com o MathLab e obter os dados do GARCH(20, 20). Se sua análise mostra correlação de 20 períodos, a questão é clara - a fórmula mostra correlação de volatilidade.
Vou tentar lutar com o MathLab e obter dados do GARCH(20, 20). Se sua análise mostrar correlação por 20 períodos, o caso é claro - a fórmula mostra correlação de volatilidade.
Não tem. Já sei que a fórmula leva isso em conta... Dê uma olhada no gráfico de 5 minutos. A relação óbvia de vol no desfasamento mais próximo e na defasagem 288 é um ciclo diário. Se quiser, vá em frente, no entanto. Vou verificar.
Estamos tentando encontrar "outras dependências", pois a informação mútua absorve todas as dependências possíveis. Devemos ser capazes de separá-los.
EURUSD H1.
I na série original (mesma discretização em 5 quantis):
Soma de informações mútuas: 3,57 Bits! O valor mais alto de todos os prazos testados.
Agora, vamos pegar as devoluções ^ 2, livrar-nos do sinal e estudar a volatilidade:
Parece que sim. Mas a soma de I = 5,35 Bits.
Faz sentido! Afinal de contas, a incerteza sobre a série de volatilidade líquida é menor.
E o que acontece se você subtrair um do outro?
Maldito inferno. Suas matrizes me deram a impressão de um avanço e de um logit. Procurei no motor de busca e do que se trata... então percebeu que era apenas probabilidade e seu logaritmo.
P.S. Lu-u-u-u-dee, está tudo claro para você nestas tabelas? Se você não entende - pergunte, pergunte. Para perguntas estúpidas, não vamos bater (porque eu sou um pouco idiota aqui).
Por uma vez há um tópico decente, que quase não tem humor, é snide e se concentra no peixe imediato em vez de vara de pesca - mas há um processo muito interessante de busca da verdade...
Onde em econometria se pode encontrar tais perguntas?
É verdade, o mercado é mais complexo. Mas isso não é motivo para ignorar o fenômeno observado
Eu não faço pesquisa científica no mercado. O objetivo específico é fazer uma previsão um passo à frente.
Sobre os testes: a heterocedasticidade é um fato geralmente aceito na literatura
É um slogan que diz que se viu algo em algum lugar. A leitura destas publicações não me faz ganhar mais dinheiro.
Para ser mais preciso, os testes de heterocedasticidade não são apenas para reterms, que são calculados usando fórmulas diferentes, mas para modelos residuais, que é o padrão em pacotes econométricos.
Às vezes são aplicados testes de heterocedasticidade a preditores e erros de modelo.
Se por "erros de modelo" você se refere ao resíduo do modelo = a diferença entre a citação original e o modelo, então eu concordo. E os testes de heterocedasticidade não são aplicados às vezes, mas sempre. Se houver heterocedasticidade no resíduo do modelo, então ele é modelado, e o objetivo final do modelo agregado é obter um resíduo estacionário (mo e variância são uma constante). Se mo e/ou variância são variáveis - então a previsão não é possível, pois o erro de previsão se torna uma variável.
Por uma vez, há um tema decente...
Gostaria de ressaltar que todos os cargos que questionaram a decência do tema foram ignorados.
EURUSD H1.
I na série original (mesma discretização em 5 quantis):
Lembro corretamente que os dados brutos aqui são o módulo incremental percentual?
Mas se assim for, é de fato a mesma volatilidade (ou seja, sua função monótona e inequívoca), podemos esperar que todos os efeitos relacionados à volatilidade também apareçam aqui, embora de uma forma um tanto ou quanto filtrada. E como os efeitos da volatilidade parecem superar de longe todos os outros fenômenos de mercado, a perspectiva de ver "algo mais" em seus antecedentes parece bastante problemática. Repito, acho que é mais promissor tentar excluir consistentemente os efeitos conhecidos, mas "inúteis", dos dados brutos.
A propósito, Alexey(Mathemat), você também tem os dados brutos como módulos?