Econometria: bibliografia - página 7
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
TS e DS são uma invenção de dissertação russa.
O problema é diferente. Meu ponto de vista. isolar o componente determinístico do quociente e olhar para o residual. Se o resíduo for estacionário, podemos extrapolar o componente determinístico. Caso contrário, então extrair o componente determinístico do resíduo .... É possível ter um sistema funcionando dessa maneira? Não no caso geral, não tenho nenhuma prova disso. Mas nos anexos anexos é argumentado que tudo funcionaria bem se não houvesse defeitos na tendência. Mas algumas sugestões são feitas para que este caso também supere este incômodo.
TS e DS são uma invenção de dissertação russa.
O problema é diferente. Minha opinião. extraímos o componente determinístico do quociente e olhamos para o residual. Se o resíduo for estacionário, podemos extrapolar o componente determinístico. Caso contrário, então extrair o componente determinístico do resíduo ....
Se você extraiu o componente determinístico e o removeu, então obviamente você precisará usar outro método de extração para extrair algo do resíduo (a menos que você queira obter um zero conhecido na saída). E assim por diante a cada passo.
A julgar pelos postos, o coletivo não entende o que é um "ponto de parada". em termos simples. Eles ajustaram o modelo. A cada novo bar reajustamos e o novo bar corresponde ao anterior. E então o novo modelo por seus parâmetros não coincide com o modelo anterior. Isso significa que o kotier dentro da amostra mudou de tal forma que os parâmetros do modelo mudaram. Se os parâmetros forem bons, podemos ajustá-los e esperar que tudo esteja bem na próxima barra. Mas às vezes o quociente muda para que a forma funcional tenha que ser alterada. Além disso, o intervalo provavelmente não é diagnosticado na chegada de um bar, mas precisa de vários bares, ou seja, mudamos para a perda e aqui começa a canção sobre SL.
Aqui está um anexo sobre este problema. Do meu ponto de vista - este é o principal problema no comércio - é a fratura.O problema, como aplicado ao comércio, é detectar um ponto de parada (ou o que quer que você queira chamar, prefiro a expressão "interrupção da estacionaridade") o mais cedo possível, antes do SL explodir. Mas usando o método em seu anexo, dificilmente podemos fazer isso, nem que seja porque dentro de um modelo linear não temos absolutamente nenhum meio de determinar em que ponto preciso dentro da amostra ocorreu a quebra. E, como você corretamente aponta, neste modelo quase nunca é diagnosticada uma ruptura pela chegada de uma única barra, a menos que essa barra o coloque imediatamente em um alce.
100% concordo, escrevi um Expert Advisor sobre o mesmo curso, modelo adaptativo para prever séries temporais com flutuações instáveis, funciona ao longo da tendência até o final, mas a inversão se perde, em flat se comporta de forma aceitável.
Se você extraiu um componente determinístico e o removeu, então obviamente para extrair algo do restante, você precisará usar outro método de extração (a menos que você queira obter um zero deliberado na saída). E assim por diante, a cada passo.
Por que um diferente? Eu não entendo. No ramo de previsão, mostrei múltiplas aplicações do filtro Hodrick-Prescott. Demonstraram que não serviu para nada. Eu não espremi nada do coletivo. Mas agora posso dizer que houve dois problemas: (1) a queixa sobre o filtro, que suspeito ser um efeito de borda à direita, e (2) tanto do problema quanto o próprio modelo é o uso da previsão resultante. Se esta questão não for resolvida, então não vale a pena especular sobre um método de suavização. Dito isto, descarto o MM como um método para resolver os problemas de utilização da previsão.
Com base nisso, afixei um anexo e um link para o manual. Ambas as posições são novas para o fórum e, em minha mente, muito promissoras.
O problema quando aplicado ao comércio é detectar uma dobra (ou o que quer que você queira chamar, eu gosto mais da expressão "interrupção da estacionaridade") o mais cedo possível, antes que o SL seja acionado. Mas usando o método em seu anexo, dificilmente podemos fazer isso, nem que seja porque dentro de um modelo linear não temos absolutamente nenhum meio de determinar em que ponto particular dentro da amostra a quebra ocorreu. E, como você corretamente aponta, neste modelo uma dobra quase nunca é diagnosticada pela chegada de uma única barra, a menos que essa barra o tenha levado imediatamente para um alce.
A idéia de anexar é fazer previsões por vários modelos. Modelos diferentes darão uma dobra em pontos diferentes e, devido a isso, a previsão será refinada. Eu acho que sim.
Por que o outro? Eu não entendo.
Lógica simples. Suponhamos que temos um sinal e queremos extrair dele o componente determinístico. Naturalmente, queremos fazê-lo de forma ideal, ou seja, para que o método que usamos não possa dar o melhor resultado sobre este sinal em nenhuma circunstância. Deve-se notar aqui que neste caso devemos introduzir o critério de otimização, pelo qual iremos impor restrições aos parâmetros do algoritmo. Mas se o conseguimos e esprememos um ótimo do método utilizado, então o uso do mesmo método com o mesmo critério de otimização deve retornar zero sobre o resíduo, pois caso contrário temos uma contradição com o fato de que os parâmetros da etapa anterior foram calculados com base no critério ótimo...
Aqui está uma baixa - se não aplicarmos o critério de otimização e simplesmente, por exemplo, simplesmente filtrar o sinal com um filtro estático, então em teoria não temos o direito de chamar o resultado de um componente determinístico. O que é determinístico? Afinal, você pode aplicar um monte de filtros da mesma estrutura, mas com parâmetros diferentes e todos eles darão resultados diferentes. Qual deles, então, deve ser considerado como um componente determinístico? Todos os conjuntos de parâmetros são iguais, desde que não introduzamos um critério de otimização.
(1) as reivindicações sobre o filtro, que eu suspeito ser um efeito marginal sobre o direito
e (2) tanto de um problema como o próprio modelo é o uso da previsão resultante.
Lógica simples. Suponhamos que temos um sinal e queremos extrair dele o componente determinístico. Naturalmente, queremos fazer isso de forma otimizada.
Nós conhecemos o critério - RMSE. Para não ficar atolado com a SE. Este critério nos permite selecionar os parâmetros de suavização para uma determinada amostra. Quando mudamos, nós recalculamos.
Obtemos um componente determinístico no sentido de que parte do quociente é aproximado por uma fórmula. Muitas vezes um diferencial suave, etc. Não há cheiro de aleatoriedade. Mas há sempre um erro de aproximação. E há outra consideração.
O quociente original é não-estacionário. Esta aproximação suave é subtraída dela. Pergunta: onde está a não-estacionariedade? Será que desapareceu? O resíduo é estacionário? Se o resíduo for estacionário, podemos fazer uma previsão. Se não for estacionário, não podemos fazer previsões e temos que continuar a suavizar, tirando mordidas por não estacionaridade. O valor absoluto do resíduo diminui e após o terceiro alisamento o espalhamento é geralmente uma fração de um pip, de modo que você pode finalmente esquecê-lo.
Lógica simples. Suponhamos que temos um sinal e queremos extrair dele o componente determinístico. Naturalmente, queremos fazer isso de forma otimizada.
Nós conhecemos o critério - RMSE. Para não ficar atolado com a SE. Este critério nos permite selecionar os parâmetros de suavização para uma determinada amostra. Quando mudamos, nós recalculamos.
Obtemos um componente determinístico no sentido de que parte do quociente é aproximado por uma fórmula. Muitas vezes um diferencial suave, etc. Não há cheiro de aleatoriedade. Mas há sempre um erro de aproximação. E há outra consideração.
O quociente original é não-estacionário. Esta aproximação suave é subtraída dela. Pergunta: onde está a não-estacionariedade? Será que desapareceu? O resíduo é estacionário? Se o resíduo for estacionário, você pode fazer uma previsão. Se não for estacionário, não podemos fazer previsões e temos que continuar a suavizar, tirando mordidas por não estacionaridade. Considerando que o resíduo diminui em valor absoluto e após o terceiro alisamento o espalhamento é geralmente sobre uma tubulação, podemos finalmente cuspir sobre ela.
Eventualmente, podemos considerar o próprio procedimento iterativo como o método ideal para determinar o componente determinístico. O principal é que ele deve resultar em um ruído branco estacionário na saída, ou seja, não apenas a não-estacionariedade deve ser removida, mas também a autocorrelação residual, caso contrário, a previsão será uma ninharia. Em resumo, o problema é conhecido há muito tempo nesta formulação, mas ainda não vi sua solução para Fora em acesso aberto. Mas mesmo que seja assim, quem pode dizer que a forma do componente determinístico na janela de análise é estacionária em si mesma, ou seja, não mudará quando a janela for deslocada? E, se não o fizer, então a previsão é inútil.
E se não, a previsão é inútil.
O ideal não é alcançável.
Vejamos um plano como um exemplo.
Vamos levar uma máquina com T=10. Para mim são 10 variáveis independentes tomadas em cálculo com coeficiente constante = 0,1.
Uma vez contado, o erro de encaixe é superior a 100 pips para H1.
Qual é o problema? Obviamente o coeficiente constante.
Pegamos a regressão para 10 valores de atraso e contamos os coeficientes. Eles não são iguais a 0,1 O erro é menor, mas ainda assim cerca de 100 pips.
Próxima pergunta. Por que 10 variáveis independentes?
A seguir, por que uma combinação linear destas variáveis?
O que estou conseguindo neste ponto do raciocínio.
Temos que ajustar: coeficientes, número de variáveis independentes, forma funcional.
Isso é tudo?
Não, não é.
Nós apresentamos o conceito de um modelo adaptável ao mercado, mas a questão que se coloca é o que vemos no mercado ou o que tiramos do mercado?
Se você tomar EViews, há um conjunto de testes que permitem isolar um conjunto de parâmetros mais amplo do que acima para se aproximar. quase completamente este conjunto de parâmetros que mostrei no ramo de predição.
É isso mesmo. Isso é tudo o que resta:
Адаптировать [...] коэффициенты, кол-во независимых переменных, функциональную форму
=) continue, continue) eu não ouço muito, eu não sei muito.