Makroekonomik göstergelere dayalı piyasa tahmini - sayfa 56
Ticaret fırsatlarını kaçırıyorsunuz:
- Ücretsiz ticaret uygulamaları
- İşlem kopyalama için 8.000'den fazla sinyal
- Finansal piyasaları keşfetmek için ekonomik haberler
Kayıt
Giriş yap
Gizlilik ve Veri Koruma Politikasını ve MQL5.com Kullanım Şartlarını kabul edersiniz
Hesabınız yoksa, lütfen kaydolun
3: farklı vadelerdeki menkul kıymet getirileri artı bir tane daha
Al ve tut yıllık yüzde oranı, 1974 - günümüz: NİSAN = %7,35
Ekonomik göstergeleri kullanarak satın alma ve satma stratejisi: Nisan = %13,18
Bu strateji Aralık 2019'da sat sinyali verdi. Şu ana kadar al sinyali vermedi. Piyasa düşecek gibi.
Satın alın ve saklayın.
Böyle bir modelin ileriye dönük testine bakmak ilginç olurdu, ancak burada imkansız.
Şimdi anladığım kadarıyla herkes seçimleri bekliyor.
3: Farklı vadelerdeki menkul kıymet getirileri artı bir tane daha
Al ve tut yıllık yüzde oranı, 1974 - günümüz: NİSAN = %7,35
Ekonomik göstergeleri kullanarak satın alma ve satma stratejisi: Nisan = %13,18
Bu strateji Aralık 2019'da sat sinyali verdi. Şu ana kadar al sinyali vermedi. Piyasa düşecek gibi.
Belirli bir araçtan mı yoksa genel bir göstergeden mi bahsediyoruz?
Dolayısıyla görev, mevcut ekonomik göstergelere dayalı olarak S&P 500 endeksini tahmin etmektir.
Adım 1: Göstergeleri bulun. Göstergeler burada halka açıktır: http://research.stlouisfed.org/fred2/ Bunlardan 240.000 adet vardır. En önemlisi GSYİH büyümesi. Bu gösterge her çeyrekte hesaplanır. Dolayısıyla adımımız - 3 ay. Daha kısa bir süre için tüm göstergeler 3 aylık bir süre için yeniden hesaplanır, geri kalanı (yıllık) atılır. Ayrıca Amerika Birleşik Devletleri dışındaki tüm ülkeler için göstergeleri ve derin bir geçmişi olmayan (en az 15 yıl) göstergeleri de atıyoruz. Böylece, özenli bir çalışma ile bir dizi göstergeyi filtreliyoruz ve yaklaşık 10 bin gösterge elde ediyoruz. S&P 500 endeksini bir veya iki çeyrek ilerisini tahmin etmek için daha spesifik bir görev formüle ediyoruz, üç aylık periyotlarla 10 bin ekonomik gösterge mevcut. R'de mümkün olmasına rağmen her şeyi MatLab'da yapıyorum.
Adım 2: Türev alma ve normalleştirme yoluyla tüm verileri durağan forma dönüştürün. Burada birçok yöntem var. Ana şey, orijinal verilerin dönüştürülen verilerden geri yüklenebilmesidir. Durağanlık olmadan hiçbir model çalışmayacaktır. Dönüşüm öncesi ve sonrası S&P 500 serisi aşağıda gösterilmiştir.
Adım 3: Bir model seçin. Belki bir sinir ağı. Çok değişkenli doğrusal regresyon yapılabilir. Çok değişkenli polinom regresyonu yapabilirsiniz. Doğrusal ve doğrusal olmayan modelleri test ettikten sonra, verilerin çok gürültülü olduğu ve doğrusal olmayan bir modele girmenin anlamsız olduğu sonucuna varıyoruz. y = S&P 500 ve x = 10 bin göstergeden biri olan y(x) grafiği, neredeyse dairesel bir buluttur. Böylece, görevi daha da özel olarak formüle ediyoruz: çok değişkenli doğrusal regresyon kullanarak üç aylık dönemli 10 bin ekonomik göstergeye sahip S&P 500 endeksini bir veya iki çeyrek ileride tahmin edin.
Adım 4: En önemli ekonomik göstergeleri 10 bin arasından seçiyoruz (sorunun boyutunu küçültüyoruz). Bu en önemli ve zor adımdır. Diyelim ki S&P 500'ün tarihini 30 yıl (120 çeyrek) olarak alıyoruz. S&P 500'ü çeşitli türlerdeki ekonomik göstergelerin doğrusal bir bileşimi olarak temsil etmek için, bu 30 yılda S&P 500'ü doğru bir şekilde tanımlamak için 120 göstergeye sahip olmak yeterlidir. Ayrıca, 120 gösterge ve 120 S&P 500 değerinden oluşan bu kadar doğru bir model oluşturmak için göstergeler kesinlikle herhangi biri olabilir.Bu nedenle, giriş sayısını açıklanan fonksiyon değerlerinin sayısının altına düşürmeniz gerekir. Örneğin, en önemli 10-20 girdi göstergesini arıyoruz. Çok sayıda aday tabandan (sözlük) seçilen az sayıda girdiyle verileri tanımlamanın bu tür görevlerine seyrek kodlama denir.
Tahmin girdilerini seçmek için birçok yöntem vardır. hepsini denedim. İşte ana ikisi:
İşte S&P 500 ile en yüksek korelasyon katsayısına sahip ilk 10 gösterge:
İşte S&P 500 ile en çok karşılıklı bilgi içeren ilk 10 gösterge:
Gecikme, simüle edilmiş S&P 500 serisine göre giriş serisinin gecikmesidir.Bu tablolardan görülebileceği gibi, en önemli girdileri seçmenin farklı yöntemleri, farklı girdi kümeleriyle sonuçlanır. Nihai hedefim model hatasını en aza indirmek olduğundan, ikinci girdi seçim yöntemini seçtim, yani. tüm girdilerin numaralandırılması ve en az hata veren girdinin seçimi.
Adım 5: Modelin hatasını ve katsayılarını hesaplamak için bir yöntem seçin. En basit yöntem COEX yöntemidir, bu nedenle bu yöntemi kullanan doğrusal regresyon çok popülerdir. RMS yöntemiyle ilgili sorun, aykırı değerlere, yani. bu aykırı değerler modelin katsayılarını önemli ölçüde etkiler. Bu duyarlılığı azaltmak için karesel hataların toplamı yerine mutlak hata değerlerinin toplamı kullanılabilir, bu da en küçük modül (LSM) veya sağlam regresyon yöntemine yol açar. Bu yöntem, doğrusal regresyondan farklı olarak model katsayıları için analitik bir çözüme sahip değildir. Genellikle modüller düzgün/türevlenebilir yaklaşım fonksiyonları ile değiştirilir ve çözüm sayısal yöntemlerle yapılır ve uzun zaman alır. Her iki yöntemi de denedim (yalın regresyon ve MHM) ve MHM'nin fazla bir avantajını fark etmedim. MHM yerine yoldan saptım. Durağan verileri farklılaştırarak elde etmenin ikinci adımında lineer olmayan bir normalizasyon işlemi ekledim. Yani orijinal seri x[1], x[2], ... x[i-1], x[i] ... önce x[2]-x[1] fark serisine dönüştürülür. .. x [i]-x[i-1] ... ve ardından her fark, işaret(x[i]-x[i-1])*abs(x[i]-x[ ile değiştirilerek normalleştirilir. i-1] )^u, burada 0 < u < 1. u=1 için, aykırı değerlere duyarlılığı ile klasik COSE yöntemini elde ederiz. u=0'da, giriş serisinin tüm değerleri, neredeyse hiç aykırı değer olmaksızın +/-1 ikili değerlerle değiştirilir. u=0.5 için MNM'ye yakın bir şey elde ederiz. Optimum u değeri 0,5 ile 1 arasında bir yerde bulunur.
Unutulmamalıdır ki, verileri durağan bir forma dönüştürmek için popüler yöntemlerden biri, serinin değerlerini bu değerlerin logaritmalarındaki farkla değiştirmektir, yani. log(x[i]) - log(x[i-1]) veya log(x[i]/x[i-1]). Benim durumumda böyle bir dönüşümün seçimi tehlikelidir, çünkü 10 bin girişten oluşan sözlükte sıfır ve negatif değerlere sahip birçok satır vardır. Logaritma ayrıca, RMS yönteminin aykırı değerlere duyarlılığını azaltma avantajına da sahiptir.Temelde, dönüşüm fonksiyonum sign(x)*|x|^u log(x ile aynı amaca sahiptir, ancak sıfır ve ile ilgili problemler olmadan) negatif değerler.
Adım 6: Yeni girdi verilerini değiştirerek ve önceki geçmiş bölümlerinde lineer regresyonla bulunan aynı model katsayılarını kullanarak model çıktısını hesaplayarak model tahminini hesaplayın. Burada, ekonomik göstergelerin ve S&P 500'ün üç aylık değerlerinin neredeyse aynı anda (3 aylık bir doğrulukla) geldiğini akılda tutmak önemlidir. Bu nedenle, bir sonraki çeyrek için S&P 500'ü tahmin etmek için model, S&P 500'ün mevcut üç aylık değeri ile en az 1 çeyrek gecikmeli girişler (Gecikme>=1) arasında kurulmalıdır. S&P 500'ün bir çeyrek ilerisini tahmin etmek için model, S&P 500'ün mevcut üç aylık değeri ile en az 2 çeyrek gecikmeli girişler (Gecikme>=2) arasında kurulmalıdır. Vb. Tahminlerin doğruluğu, gecikmenin 2'den fazla artmasıyla önemli ölçüde azalır.
7. Adım: Önceki geçmişe ilişkin tahminlerin doğruluğunu kontrol edin. Yukarıda açıklanan orijinal teknik (her girdiyi önceki geçmişe koymak, en küçük MSD'yi veren girdiyi seçmek ve bu girdinin yeni değerinden tahmini hesaplamak), rastgele veya boş tahminlerden bile daha kötü olan bir tahmin MSD'si üretti. Kendime şu soruyu sordum: geçmişe iyi uyan bir giriş neden gelecek için iyi bir öngörülebilir yeteneğe sahip olsun ki? Model girdilerini, bilinen verilerdeki en küçük regresyon hatasına göre değil, önceki tahmin hatalarına göre seçmek mantıklıdır.
Sonunda, modelim şu şekilde adım adım açıklanabilir:
Kısacası, bir tahmincinin seçimi, önceki S&P 500 tahminlerinin RMS'lerine bağlıdır. Tahmin edici zamanla değişebilir, ancak test segmentinin sonunda temelde değişmeyi bırakır. Modelim, Q2 2015'i tahmin etmek için ilk girdi olarak 2 çeyrek gecikmeli PPICRM'yi seçti. 1960 - Q4 2014 için seçilen PPICRM(2) girişi ile S&P 500'ün lineer regresyonu aşağıda gösterilmektedir. Siyah daireler - doğrusal regresyon. Çok renkli daireler - 1960 - Q4 2014 için geçmiş veriler. Dairenin rengi zamanı gösterir.
Sabit S&P 500 tahminleri (kırmızı çizgi):
Ham formda S&P 500 tahminleri (kırmızı çizgi):
Grafik, modelin 2015'in ikinci çeyreğinde S&P 500'ün büyümesini öngördüğünü gösteriyor. İkinci bir girdi eklemek tahmin hatasını artırır:
1 err1=0.900298 err2=0.938355 PPICRM (2)
2 err1=0.881910 err2=0.978233 İZİN1 (4)
burada err1 regresyon hatasıdır. İkinci bir girdinin eklenmesiyle azaldığı açıktır. err2, rastgele tahmin hatasına bölünen ortalama karekök tahmin hatasıdır. Yani, err2>=1, modelimin tahmininin rastgele tahminlerden daha iyi olmadığı anlamına gelir. err2<1 modelimin tahmininin rastgele tahminlerden daha iyi olduğu anlamına gelir.
PPICRM = Üretici Fiyat Endeksi: Daha Fazla İşleme İçin Ham Maddeler
İZİN1 = Yapı Ruhsatı ile Yetkilendirilmiş Yeni Özel Konutlar - 1 Adet Yapılarda
Yukarıda açıklanan model bu şekilde yeniden ifade edilebilir. 10 bin ekonomisti bir araya getiriyoruz ve onlardan önümüzdeki çeyrek için piyasayı tahmin etmelerini istiyoruz. Her ekonomist kendi tahminini yapar. Ancak, yazdıkları ders kitabı sayısına veya geçmişte kazandıkları Nobel Ödülü sayısına göre bir tahmin seçmek yerine, tahminlerini toplamak için birkaç yıl bekliyoruz. Önemli sayıda tahminden sonra, hangi ekonomistin daha doğru olduğunu görüyoruz ve başka bir ekonomist onu doğrulukta geçene kadar tahminlerine inanmaya başlıyoruz.
Doğru değil. Konuya " makroekonomik göstergelere dayalı piyasa tahmini" denilse de bu analizdeki göstergelerin hiçbir anlamı yoktur. Sadece matematiksel duyarsızlaşma ve Dünya ile tüm dış semantik ve mantıksal bağlantılarla özdeşleşmeden sonra belirli bir formüle ikame edilen değişkenler. Soyut sayısal serilerde toplanan kuru sayılar, onlardan tahminde bulunan bir sinir ağı modeli olarak hizmet eder ... hayır, piyasa değil, aynı sayısal seri.
Temel veriler üzerinde teknik analiz ortaya çıkıyor.
Temel analiz ile her şey o kadar basit değildir. Fiyatları etkileyen ve ekonomik göstergelerin kapsamadığı birçok faktör bulunmaktadır. Bunlar seçimler, aynı Brexit, her türlü söylenti vs. Fiyatı tüm ekonomik göstergelerden daha güçlü bir şekilde etkileyebilirler.
Temel veriler üzerinde teknik analiz ortaya çıkıyor.
Temel analiz ile her şey o kadar basit değildir. Fiyatları etkileyen ve ekonomik göstergelerin kapsamadığı birçok faktör bulunmaktadır. Bunlar seçimler, aynı Brexit, her türlü söylenti vs. Fiyatı tüm ekonomik göstergelerden daha güçlü bir şekilde etkileyebilirler.
Peter'a: S&P500'ü doğrudan tahmin etmiyorum. Bu çalışmanın amacı, durgunlukları ortaya çıkmadan önce piyasadan çıkmak için tahmin etmek ve al ve tut stratejisinin karlılığını artırmaktır. S&P500, 500 hisse senedi içermesine rağmen, bileşenlerinden ziyade endeksin kendisini (veya opsiyonlarını) satan ve satın alan kurumsal yatırımcılar tarafından yönlendirilir. Yılda %13 kulağa pek hoş gelmiyor ama cironun önemli olduğu büyük paralar için yeterli. Bernie Madoff, müşterilerine yılda %10 gibi mütevazi bir oran vaat ederek müşterilerini cezbetti ve bunu başaramadı.
Uladzimir'e: Fiyat dalgalanmalarının çeşitli sosyo-politik olaylara, seçimlere, Brexit'lere, enfeksiyonlara vb. bağlı olduğuna katılıyorum. Sonunda, her şey üretim/hizmet ürünleri için arz ve talebe, işsizliğe ve ekonominin diğer göstergelerine bağlı . Piyasa fiyatlarındaki günlük dalgalanmalar umurumda değil. Basit bir satın al ve tut stratejisi bile yılda %7,4 kazanç sağlar. Durgunluk dönemlerinde uzun pozisyonlardan kaçınmak ve bu stratejinin karlılığını artırmak benim için önemli. Bu arada, başka bir strateji de gayrimenkul satın almak. ABD'de yılda sadece %5 verdiğini not eder.
Doğru değil. Konuya " makroekonomik göstergelere dayalı piyasa tahmini" denilse de bu analizdeki göstergelerin hiçbir anlamı yoktur. Sadece matematiksel duyarsızlaşma ve Dünya ile tüm dış semantik ve mantıksal bağlantılarla özdeşleşmeden sonra belirli bir formüle ikame edilen değişkenler. Soyut sayısal serilerde toplanan kuru sayılar, onlardan tahminde bulunan bir sinir ağı modeli olarak hizmet eder ... hayır, piyasa değil, aynı sayısal seri.
Peki S&P500 için görünüm nedir?
Üzgünüm, ama tüm bunlar yılda %5-13 uğruna??? Oyun muma değmez)