Уравнение регрессии - страница 2
Вы упускаете торговые возможности:
- Бесплатные приложения для трейдинга
- 8 000+ сигналов для копирования
- Экономические новости для анализа финансовых рынков
Регистрация
Вход
Вы принимаете политику сайта и условия использования
Если у вас нет учетной записи, зарегистрируйтесь
Ну возьмите и получите эмпирическое распределение ошибок при аппроксимации полиномом. И сравните его с нормальным. Особое внимание обратите на хвосты, а не на центральную часть.
Мы говорим о выборе лучших (в смысле МНК) параметров полинома?
Или выборе их же - но лучших в другом смысле?
Или о правильности выбора полинома для апроксимации?
Я попросил разьяснить мне неэффективность МНК для вычисления параметров заранее выбранной функции (ведь причина толстохвостости может быть в неудачной функции :).
И если есть такие же простые процедуры определения этих параметров - радостно с ними ознакомлюсь.
Но меня удивляет постановка вопроса: раз в ошибках есть хвосты - не годится МНК...
;)
Лучше пользуйтель LAD или квантильной регрессией. Это сложнее (кодить гораздо больше придется, да и в науку втыкать), зато работает ...
Что, правда для котировок работает? А объективные свидетельства этому существуют?
P.S. Имхо, любая претендующая на экстраполяцию аппроксимация предполагает стационарность. Толстые хвосты (опять же имхо) как раз представляют срывы стационарности, то есть попытка их учесть ничего конкретного к предсказанию не добавит. Ну расширит доверительные интервалы, сделав предсказание бесполезным, и какая нам от этого польза?
Но это всё умозрительные рассуждения, с радостью посмотрел бы на опровергающие их реальные данные
P.S. Имхо, любая претендующая на экстраполяцию аппроксимация предполагает стационарность. Толстые хвосты (опять же имхо) как раз представляют срывы стационарности, то есть попытка их учесть ничего конкретного к предсказанию не добавит. Ну расширит доверительные интервалы, сделав предсказание бесполезным, и какая нам от этого польза?
Но это всё умозрительные рассуждения, с радостью посмотрел бы на опровергающие их реальные данные
Оченка параметров регрессии при мультивалютном анализе может предполагать не "лобову" экстраполяцию, а учет этих параметров, например, в торговле по менее ликвидным парам - позволит получить некоторое стат преимущество (ведь не на рынке торгуем, а по котировкам ДЦ ставки делаем).
Только вот спрэд уж там большой...
Но тем не менее - при значительном движении мажоров, миноры поведут себя по "писанному".
;)
FreeLance:
Но тем не менее - при значительном движении мажоров, миноры поведут себя по "писанному".
Что, правда для котировок работает? А объективные свидетельства этому существуют?
P.S. Имхо, любая претендующая на экстраполяцию аппроксимация предполагает стационарность. Толстые хвосты (опять же имхо) как раз представляют срывы стационарности, то есть попытка их учесть ничего конкретного к предсказанию не добавит. Ну расширит доверительные интервалы, сделав предсказание бесполезным, и какая нам от этого польза?
Но это всё умозрительные рассуждения, с радостью посмотрел бы на опровергающие их реальные данные
Попробую объяснить теоретически, т.к. данные расчетов привести пока не готов, они сырые.
Я в процессе своих исследований попытался представить ценовой временной ряд в виде суммы двух стационарных (!) процессов: а) гауссовского со значимыми корреляциями до 2-3 отсчетов (строго говоря, он квазистационарен, т.к. характеристики все же немного "плывут") и б) пуассоновского потока реакций на внешние воздействия. Первый - это мы все знаем, что такое. Второй - как раз то, что вы назвали "срывами стационарности" и что действительно приводит к образованию толстых экспоненциальных хвостов. Но если мы берем в рассмотрение именно такую модель, то оказывается, что нестационарность потока котировок, который мы видим на экране, кажущаяся - на самом деле сумма двух стационарных процессов стационарна как в широком, так и в узком смысле.
Аппроскимируя с помощью МНК, мы заставляем регрессионный полином "цепляться" не только за нормальную часть процесса, но и за пуассоновские выбросы, отсюда малая эффективность предсказания, которое, вообще говоря, нужно нам для . С другой стороны, беря квантильные полиномы, мы полностью избавляемся от второй, пуассоновской части процесса: квантили на нее просто не реагируют, причем абсолютно. Таким образом, определив места, где регрессия дает значительные попытки, мы можем таким образом почти в режиме онлайн локализовать "срывы" с большой степенью достоверности (предсказать их, наверное, пока не получится, т.к. нет соответствующей модели, по крайней мере, у меня:).
Примерно (очень) приведу свои сравнительные результаты (они делались наполовину вручную): эффективность локализации срыва стационарности (частота правильного определения ее на первом баре) у МНК - около 0.55-0.6, у квантилей - 0.85 и больше (здесь работы еще навалом). В этом и состоит выигрыш.
Аппроскимируя с помощью МНК, мы заставляем регрессионный полином "цепляться" не только за нормальную часть процесса, но и за пуассоновские выбросы, отсюда малая эффективность предсказания, которое, вообще говоря, нужно нам для . С другой стороны, беря квантильные полиномы, мы полностью избавляемся от второй, пуассоновской части процесса: квантили на нее просто не реагируют, причем абсолютно. Таким образом, определив места, где регрессия дает значительные попытки, мы можем таким образом почти в режиме онлайн локализовать "срывы" с большой степенью достоверности (предсказать их, наверное, пока не получится, т.к. нет соответствующей модели, по крайней мере, у меня:)
Хм. то есть всё ровно наоборот, не расширение доверительного интервала, а сужение. Очень интересно, надо почитать, спасибо.
Насчёт того, что стационарен и процесс срывов конечно хочется повозражать. Но аргументов нет, так что остаётся одно - думать.
Может вы и проблему времени решили? :) Я имею в виду проблему выбора размера окна.
Я в процессе своих исследований попытался представить ценовой временной ряд в виде суммы двух стационарных (!) процессов: а) гауссовского со значимыми корреляциями до 2-3 отсчетов (строго говоря, он квазистационарен, т.к. характеристики все же немного "плывут") и б) пуассоновского потока реакций на внешние воздействия. Первый - это мы все знаем, что такое. Второй - как раз то, что вы назвали "срывами стационарности" и что действительно приводит к образованию толстых экспоненциальных хвостов.
Интересно, интересно. Candid, помнишь мою тему на Обитаемом Острове по поводу метамодели с квазистационарным процессом (дифурки там, еще кролика из шляпы мы вытащили)? Что-то очень похожее. Ноосфера все-таки существует, и мысли в ней общие...
Может вы и проблему времени решили? :) Я имею в виду проблему выбора размера окна.