Обсуждение статьи "Неопределённость как модель (Часть 8): Обобщение МНК"

Новый комментарий
 

Опубликована статья Неопределённость как модель (Часть 8): Обобщение МНК:

Материал показывает, как в MQL5 корректировать результаты регрессий при гетероскедастичности и автокорреляции. Реализована HAC-оценка Ньюи—Уэста для получения робастных стандартных ошибок и корректных t-статистик, что продемонстрировано на задаче оценки влияния новостей на волатильность EURUSD. Для моделей с коррелированными остатками применен CLS для ARMA с регуляризацией Левенберга—Марквардта, проверенный на спреде GOOGL/AAPL.

Мы продолжаем развивать тему преодоления уязвимостей линейных моделей при работе со стохастическими регрессорами. На очереди — гетероскедастичность (непостоянство дисперсии ошибок) и автокорреляция остатков (зависимость текущих ошибок от прошлых). Эти эффекты грубо нарушают базовые предпосылки, делая стандартные оценки обычного МНК неэффективными. Для трейдера это не просто теоретический дефект, а критическая уязвимость с фатальными последствиями для торгового депозита:

  • Искажение t-статистик: стандартные ошибки коэффициентов оказываются смещёнными (обычно заниженными).
  • Ложные сигналы: заниженные ошибки приводят к искусственному завышению t-статистик и занижению p-value. В результате незначимые факторы кажутся значимыми.
  • Ошибка в стационарности: искажённая оценка параметров может подтолкнуть к ложному выводу о стационарности или коинтеграции активов. Например, мы рискуем открыть арбитражную позицию на спреде, который на самом деле хаотично расходится.

Неопределённость как модель (Часть 8): Обобщение МНК


    Автор: Aleksey Nikolayev

     
    MetaQuotes:

    Опубликована статья Неопределённость как модель (Часть 8): Обобщение МНК:

    Автор: Aleksey Nikolayev

    Алексей, приветствую !

    Спасибо за статью.

    Но здесь , наверно, не соглашусь - 

    "Разработанный оптимизатор адаптивно переключается между методами градиентного спуска и Гаусса-Ньютона, гарантируя стабильную сходимость к глобальному минимуму целевой функции."

    Все градиентные методы они же локальные и не всегда находят глобальный оптимум, зависит от стартового значения параметров, свойства целевой и т.д. 



     
    Evgeniy Chernish #:
    Но здесь , наверно, не соглашусь - 

    "Разработанный оптимизатор адаптивно переключается между методами градиентного спуска и Гаусса-Ньютона, гарантируя стабильную сходимость к глобальному минимуму целевой функции."

    Все градиентные методы они же локальные и не всегда находят глобальный оптимум, зависит от стартового значения параметров, свойства целевой и т.д. 
    Спасибо за внимание к статье и совершенно верное замечание.
     
    Aleksey Nikolayev #:
    совершенно верное замечание

    Исправил на более корректное утверждение.

    Но что-то вызывает некоторые сомнения CLS - на некоторых данных плохо сходится. Пока оставлю как есть - буду разбираться с ним, когда дойдёт до статьи с реализацией ADF-теста.

    Новый комментарий