Предсказание рынка на основе макроэкономических показателей - страница 10
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
Не мешало бы дать чёткое определение, или хотя бы уточнение, что понимается под "прогнозом", "предсказанием" и т.п. Каков горизонт "прогноза"? Без этого "прогнозы" теряют смысл. Поскольку, в зависимости от горизонта, один и тот же "прогноз" может оказаться верным для одного горизонта, и неверным для другого горизонта. Более того, такие участки могут чередоваться много раз.
Не берусь за универсальные обобщения, но дам следующее определение прогноза и предсказания. Эти определения основаны на алгоритмах, имеющихся в R (и не только). Вероятно можно дать и другие определения, но мои определения конструктивны в том смысле, что имеют программный код.
Итак.
1. Прогноз. Принципиальным является то, что для прогноза всегда используется предыдущее значение. Т.е. для прогноза на 1 шаг используются реальные бары истории. А вот далее следующие нюансы. Прогноз на 2 шага всегда используется значение для прогноза на первом шаге вперед. Для прогноза на 3 шага используются прогнозы на предыдущих двух шагах и т.д. Это является принципиальным, так как ведет к суммированию ошибок всех предыдущих шагов прогноза. График ошибок получается типа расширяющейся воронки. Ошибка на n шагов вперед всегда больше ошибки на n-1 шагов вперед. Наиболее широко известный представитель этого направления пакет forecast.
2. Предсказание. Здесь указывается набор значений, из которых делается прогноз, который чтоб отличать называют предсказанием, так как из одного набора баров можно предсказать и на 1 шаг и на 2 шага и на n шагов вперед. Используются ли при этом уже предсказанные значения - это не определяется алгоритмом и определяется разработчиком. Поведение ошибки предсказания не известно. Можно нафантазировать. Если в наборе предикторов с Н1 есть предикторы, которые по своей сути имеют предсказательную способность на Н4, то в каждый четвертый час ошибка может быть меньше, чем в третий час. Предсказывают все модели классификационного типа.
Не берусь за универсальные обобщения, но дам следующее определение прогноза и предсказания.
Для регрессий - нестационарность финансовых рядов является базовой проблемой. Поэтому при выборе инструментария необходимо смотреть как выбранный инструмент решает проблему нестационарности. Упомянутая мною ARIMA в определенной степени решает проблему нестационрности, а вот чтобы ряда Тейлора решали проблему нестационарности - не слышал.
Нестационарность рассматривается как проблема при применении стационарных моделей. Если же используется нестационарная модель, то нестационарность здесь - не проблема, а задача, требующая решения.
ARIMA так называемую "проблему нестационарности" не решает - она под неё не заточена.
Ряды Тейлора в некотором смысле универсальны -- если коэффициенты постоянны, имеем стационарную модель (и ARIMA здесь же), если же коэффициенты являются функциями времени и\или состояния, то получаем нестационарную модель. Это суть, в двух словах, для быстрого ориентира.
В моём случае прогноз на 1 шаг (квартал) вперёд с датой Д использует все доступные значения входов по датам д=0 до д=Д-1. Прогноз на 2 шага вперёд с датой Д использует все доступные значения входов по датам д=0 до д=Д-2. И так далее. Иначе говоря, двух-шаговый прогноз на дату Д не использует прогноз на дату Д-1 так как подразумеватеся что если прогноз на дату Д-1 использовал набор входов по датам 0...Д-2, то те же входы можно напрямую использовать для двух-шагового прогноза даты Д без промежуточного прогноза на дату Д-1.
Нестационарность рассматривается как проблема при применении стационарных моделей. Если же используется нестационарная модель, то нестационарность здесь - не проблема, а задача, требующая решения.
ARIMA так называемую "проблему нестационарности" не решает - она под неё не заточена.
.
Или мы признаем наличие нестационарности или не признаем.
Если признаем, то либо наша модель должна сразу кушать нестационарные данные, либо, скорее всего, необходим ряд предварительных действий, которые подготовят исходные данные, чтобы они были пригодны для модели.
И здесь ARIMA классический пример. Это именно модель для нестационарных данных. На первом этапе исходный нестационарный ряд преобразуется в стационарный, а затем полученный ряд моделируется.
А именно.
Для стационарных данных - это модель без буквы I, которая означает сколько раз надо дифференцировать (брать разности) исходные данные чтобы они стали стационарными и появилась возможность применения модели ARMA. Другое дело, что критерии, которые используются для определения стационарности в моделях ARIMA, слабоваты в результате чего модель ARMA, применяемая к результатам дифференцирования, не применима к этим результатам и необходимы дополнительные исследования, обычно по моделированию изменчивости дисперсии - ARCH, а там тоже нюансы..... В результате получается, что на входе имеешь котировку, моделируешь что-то препарированное, а куда приткнуть результат - понять нельзя.
Или мы признаем наличие нестационарности или не признаем.
Если признаем, то либо наша модель должна сразу кушать нестационарные данные, либо, скорее всего, необходим ряд предварительных действий, которые подготовят исходные данные, чтобы они были пригодны для модели.
И здесь ARIMA классический пример. Это именно модель для нестационарных данных. На первом этапе исходный нестационарный ряд преобразуется в стационарный, а затем полученный ряд моделируется.
А именно.
Для стационарных данных - это модель без буквы I, которая означает сколько раз надо дифференцировать (брать разности) исходные данные чтобы они стали стационарными и появилась возможность применения модели ARMA. Другое дело, что критерии, которые используются для определения стационарности в моделях ARIMA, слабоваты в результате чего модель ARMA, применяемая к результатам дифференцирования, не применима к этим результатам и необходимы дополнительные исследования, обычно по моделированию изменчивости дисперсии - ARCH, а там тоже нюансы..... В результате получается, что на входе имеешь котировку, моделируешь что-то препарированное, а куда приткнуть результат - понять нельзя.
Вы опять повторяете старую ошибку, о которой было уже много сказано ранее...
Невозможно произвести преобразование исходного нестационарного ряда в эквивалентный ему стационарный. Проделать с исходным рядом можно самые разные манипуляции, но надо понимать, что полученный результат может оказаться неэквивалентным исходному. Именно это и происходит в том случае, когда проделывают "преобразование нестационарного ряда в стационарный".
Об этом уже сказано немало. Но вижу, что вы не замечаете принципиальных моментов. Образно говоря, преобразовать кошку в собаку, водя её на поводке, не получится.
Вы опять повторяете старую ошибку, о которой было уже много сказано ранее...
Невозможно произвести преобразование исходного нестационарного ряда в эквивалентный ему стационарный. Проделать с исходным рядом можно самые разные манипуляции, но надо понимать, что полученный результат может оказаться неэквивалентным исходному. Именно это и происходит в том случае, когда проделывают "преобразование нестационарного ряда в стационарный".
Об этом уже сказано немало. Но вижу, что вы не замечаете принципиальных моментов. Образно говоря, преобразовать кошку в собаку, водя её на поводке, не получится.
Уважаемые участники обсуждения данного топика! Смею Вас всех заверить, что, проведенные исследования показали, что ни одна из известных методов регрессионного анализа, включая преобразования (разложения) Фурье, нейросети, линейные и нелинейные регрессионные модели и другие модели, способы и приемы, использующиеся для описания и/или прогнозирования поведения числового ряда, включая потока рыночных цен, не могут конкурировать с предложенной мною, и известной всем, универсальной регрессионной моделью ни по одному параметрам оценки. Готов оспаривать любое возражение на конкретных, сравнительных, примерах анализа любого ряда. Был-бы рад найти, с Вашей помощью, недостатки своей модели, если таковые обнаружатся. Уверен, как только всерьез займетесь изучением и осмысливанием предложенной модели, сами обнаружите ее мощь и всеядность. Если примитивно объяснить, то модель является распространением МНК Гаусса на нелинейную область, причем, она, как частный случай, охватывает и МНК Гаусса. Следовательно, если в линейной области признанным фаворитом является МНК Гаусса, то в общем случае - таковым может оказаться предложенный метод. Готов парировать возражения, если таковые появятся. С уважением, Юсуфходжа.