Econometria: um passo à frente na previsão - página 93
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
Grandes novidades. E ARIMA? E ARCH? Isto é para que linhas?
cotier = tendência + ruído
À esquerda é não-estacionário, mas onde à direita?
A notícia não é grande e antiga - estes métodos são desenvolvidos e aplicados a séries estacionárias. Mas para séries não estacionárias, são usados métodos para "levá-los a uma forma estacionária", a fim de poder aplicar estes métodos.
Se uma série é não-estacionária, então é não-estacionária. A série tem características estatísticas instáveis. Você pode cortar uma série em pedaços e ela será estacionária em cada peça.
Se o preço subiu e depois caiu acentuadamente, ele está parado na fase ascendente. Mas toda a série de preços é não-estacionária (sujeita a mudanças bruscas).
A notícia não é grande e antiga - estes métodos são desenvolvidos e aplicados a séries estacionárias. E para os não estacionários, são usados métodos para "levá-los a uma forma estacionária", a fim de poder aplicar estes métodos.
Se uma série é não-estacionária, então é não-estacionária. A série tem características estatísticas instáveis. Você pode cortar uma série em pedaços e ela será estacionária em cada peça.
Se o preço subiu e depois caiu acentuadamente, ele está parado na fase ascendente. Mas toda a série de preços é não-estacionária (sujeita a mudanças bruscas).
Uma mudança na tendência não é uma indicação de não-estacionariedade.
Vamos começar pelo início. Uso a seguinte definição de estacionaridade: uma série é estacionária se mo = constante ("quase" constante) e dispersão = constante ("quase" constante).
Enquanto houver um componente determinístico na série, não podemos falar de estatísticas. É por isso que trabalhamos com o residual depois de subtrair o componente determinístico. Após este procedimento, o problema se torna qualitativamente mais fácil, porque o resíduo é geralmente muito menor do que o comprimento da vela.
A notícia não é grande e antiga - estes métodos são desenvolvidos e aplicados a séries estacionárias. Mas para os não estacionários, são usados métodos para "levá-los a uma forma estacionária", a fim de poder aplicar estes métodos.
Se você ainda puder concordar sobre a ARIMA, então a ARCH é uma coisa puramente não estacionária. Utilizo testes específicos que visam certas sutilezas na não-estacionariedade e uma vez identificadas, a não-estacionariedade pura é modelada. O residual muitas vezes se revela estacionário.
E para os não estacionários, são usados métodos para "levá-los a uma forma estacionária".
Se o método que você mencionou está disponível, então estamos trabalhando com uma série não estacionária?
A mudança da tendência não é um sinal de não-estacionariedade.
Vamos começar pelo início. Uso a seguinte definição de estacionaridade: uma série é estacionária se mo = constante ("quase" constante) e variância = constante ("quase" constante).
Enquanto houver um componente determinístico na série, não podemos falar de estatísticas. É por isso que estamos trabalhando com o resíduo depois de subtrair o componente determinístico. Após este procedimento, o problema se torna qualitativamente mais fácil, porque o resíduo é geralmente muito menor do que o comprimento da vela.
Ligeiramente errado - umprocesso estacionário aleatório deve ter todas as suas características de probabilidade independentemente do tempo. Se o preço estava subindo de forma mais ou menos linear durante um longo período de tempo e depois de repente diminuiu acentuadamente, era um processo estacionário antes do declínio, porque se as séries fossem divididas em pedaços, as características estatísticas desses pedaços seriam aproximadamente as mesmas. Mas após o declínio, suas características de probabilidade mudaram - tornou-se não-estacionário (MO mudou, variância mudou).
É possível identificar o componente determinístico em qualquer série e devemos falar de estatísticas. Se a série for não-estacionária, este componente determinístico terá um poder de previsão muito pequeno.
Ligeiramente errado - umprocesso estacionário aleatório deve ter todas as suas características de probabilidade independentemente do tempo. Se o preço estava subindo de forma mais ou menos linear durante um longo período de tempo e depois de repente diminuiu acentuadamente, então era um processo estacionário até o declínio, porque se as séries fossem divididas em pedaços, as características estatísticas desses pedaços seriam aproximadamente as mesmas. Mas após o declínio, suas características de probabilidade mudaram - tornou-se não-estacionário.
Minha definição é construtiva - ela permite um plano de modelagem e define o objetivo.
Passo 1: Você não pode dizer nada definitivo enquanto houver um componente determinístico na série. Para mim, trata-se de um axioma.
Minha definição é construtiva - ela permite um plano de modelagem e define o objetivo.
Passo 1: Você não pode dizer nada definitivo enquanto houver um componente determinístico na série. Este é um axioma para mim.
Em toda e qualquer série há um componente determinístico. A questão é a qualidade e a precisão da previsão
Se o método que você mencionou está disponível, então você está trabalhando com uma fila instável?
Tentamos e tentamos aplicá-lo ao comércio - o resultado foi deplorável. Eu prefiro usar TA.
Embora haja espaço para uma proeza.
Há um componente determinístico em toda e qualquer série. A questão é a qualidade e a precisão da previsão
Não se desvie do assunto.
Distinguimos o componente determinístico. E quanto ao resíduo? Novamente verificamos o componente determinístico. A razão é a antiga. Obtenha o barulho. Obtenha o ruído sem o componente determinístico, podemos raciocinar.
Não vá para os lados.
Distinguimos o componente determinístico. E quanto ao resíduo? Verificamos novamente o componente determinístico. A razão é a antiga. Vá para o barulho. Obtenha o ruído sem o componente determinístico, podemos raciocinar.
Para quê? Sobre o que há para se especular? Você isola o componente determinístico, faz um modelo, testa-o, analisa-o, descarta-o (estava brincando).
Se o componente criança é de boa qualidade, nós trocamos. Para que serve o resto?
A questão é a qualidade deste componente.
Não importa como você olhe para isso, as estatísticas mostrarão o que veio antes. E não há como mostrar "o que vai ser"... Puro trabalho de adivinhação. Talvez isso funcione para você, então?