文章 "宏观经济数据对货币价格波动影响的还原分析" - 页 2

新评论
 
Salavat:

到目前为止，还没有发现其他方法....。

你错就错在这里。
 
好吧我不争辩，我换个说法：在众多替代方案中，我建议关注文章中概述的这种方法，它是一种很有前途的方法
 
Salavat:
好吧我不争辩，我换个说法：在众多备选方案中，我建议也应将文章中概述的方法视为一种有前途的方法

在以下情况下，您所概述的工具无疑是有用的。

1.在构建具有大量自变量（几十个或几百个）的 TC 的工作中，您所概述的方法将有助于标出一些搜索方向。如果这些形式上的方向与关于自变量对因变量的影响以及自变量之间相互影响的实质性推理相配合，那就很好。

2.您建议的工具是通往更多工具的过渡步骤。问题的关键在于，在我的印象中，《统计》是一个非常有限的工具包，而且没有更新。在迈出分析变量对目标变量的显著性的第一步后，自然就可以转向更大的工具集，如 R 中的 caret shell 所提供的工具。

 
更值得怀疑的是数据的来源。使用的是哪一期发布的宏观经济指标？这些数据通常不标注发布日期，而是标注所涉时期的结束日期。因此，举例来说，使用非首次发布的国内生产总值系列数据，可以很容易地看到未来六个月的情况（更不用说修改计算方法和重绘几十年的历史了，美国国内生产总值最近就出现了这种情况）。
 

这篇文章很有意思。谢谢。但它更像是一本使用《统计学》的指南。其中有很多误解。

  1. 用宏观经济指标预测 5 天（这个词出现在标题 "回归方程和最终预测 "中）是无稽之谈。宏观经济指标每月和每季度发布一次，然后在几个月内进行调整。此外，即使以季度和年度为间隔，宏观经济指标也有很多噪音，更不用说以天为间隔了。
  2. 文章几乎没有解释如何选择这些宏观经济指标。它只是选取了新闻中经常提到的 99 个最受欢迎的指标。几乎所有这些指标都无法预测市场，因为它们都是滞后指标，而非领先指标。即使是工厂订单或建筑许可，虽然它们被认为是领先的，但它们并不是真正的领先指标，因为它们包括几个月前已经公布的构成指标，市场已经对这些指标做出了反应。 我免费告诉你一个秘密：寻找你的数据列表中没有的不同的消费指标。它们是真正的领先指标。随着消费的下降，工厂订单和建筑许可也随之下降，GDP 和市场也随之下降。因此，一切都始于消费。马克思的《资本论》对此也有详细描述。
  3. 回归分析甚至非常适用于经济模型。faa1947 使用的是一些教条，而不是数学方法的本质。问题不在于方法，而在于数据及其准备。不管是回归还是 "受控过程"，数据都应该是静态的。经济数据的原始形式是非静态的。但它们可以很容易地转化为静态数据，例如通过微分和归一化。
  4. 回归的问题在于，如果输入序列足够多，任何其他序列，甚至与模拟序列完全无关的序列，都可以插入任何模拟序列中。例如，阿拉斯加的气温波动、洛杉矶的空气污染数据等都可以成功纳入外汇价格。加入这些 "外来数据 "后，回归误差可以归零。预测的准确性也将为零。因此，您需要了解如何选择正确的数据、数据的数量和延迟时间。
  5. 了解公司的运作机制也很有用。例如，每个人都喜欢引用失业率。他们认为失业率是经济的晴雨表。但实际上，一旦失业率 上升，再做出反应就为时已晚，因为经济已经衰退了很长时间。失业率的问题在于它包括了所有 16 岁以上的人。不同的人群和不同的职业有几十种不同的失业率。 这里有一个供回填的问题：如果公司看到对其产品的需求下降，他们会首先解雇谁？第二个问题是：哪些公司最先感觉到需求下降？
 
gpwr:

这篇文章很有意思。谢谢。但它更像是一本使用《统计学》的指南。其中有很多误解。

  1. 用宏观经济指标预测 5 天（这个词出现在标题 "回归方程和最终预测 "中）是无稽之谈。宏观经济指标每月和每季度发布一次，然后在几个月内进行调整。此外，即使以季度和年度为间隔，宏观经济指标也有很多噪音，更不用说以天为间隔了。
  2. 文章几乎没有解释如何选择这些宏观经济指标。它只是选取了新闻中经常提到的 99 个最受欢迎的指标。几乎所有这些指标都无法预测市场，因为它们都是滞后指标，而非领先指标。即使是工厂订单或建筑许可，虽然它们被认为是领先的，但它们并不是真正的领先指标，因为它们包括几个月前已经公布的构成指标，市场已经对这些指标做出了反应。 我免费告诉你一个秘密：寻找你的数据列表中没有的不同的消费指标。它们是真正的领先指标。随着消费的下降，工厂订单和建筑许可也随之下降，GDP 和市场也随之下降。因此，一切都始于消费。马克思的《资本论》对此也有详细描述。
  3. 回归分析甚至非常适用于经济模型。faa1947 使用的是一些教条，而不是数学方法的本质。问题不在于方法，而在于数据及其准备。不管是回归还是 "受控过程"，数据都应该是静态的。经济数据的原始形式是非静态的。但它们可以很容易地转化为静态数据，例如通过微分和归一化。
  4. 回归的问题在于，如果输入序列足够多，任何其他序列，甚至与模拟序列完全无关的序列，都可以插入任何模拟序列中。例如，阿拉斯加的气温波动、洛杉矶的空气污染数据等都可以成功纳入外汇价格。加入这些 "外来数据 "后，回归误差可以归零。预测的准确性也将为零。因此，您需要了解如何选择正确的数据、数据的数量和延迟时间。
  5. 了解公司的运作机制也很有用。例如，每个人都喜欢引用失业率。他们认为失业率是经济的晴雨表。但事实上，一旦失业率 上升，再做出反应就为时已晚，因为经济已经衰退了很长时间。失业率的问题在于它包括了所有 16 岁以上的人。不同的人群和不同的职业有几十种不同的失业率。 这里有一个供回填的问题：如果公司看到对其产品的需求下降，他们会首先解雇谁？第二个问题：哪些公司最先感觉到需求下降？

我没有完全阐述我的观点，我将在下文中简要弥补，也许会重复我的观点。

1.选择初始数据--预测因子--的问题是一个基本问题，形式化程度低，更倾向于艺术而非科学。我们不要忘记统计学的一个基本假设："垃圾进--垃圾出"。

2.2. 如上文所述，在建立模型时，一半以上的时间都花在了初始数据清单和类型的选择和论证上。此外，最重要的是对初始数据进行有意义的解释，而不是其形式上的统计特征。数学工具是对初始数据进行有意义选择的辅助手段。

3.根据文献，我将预测分为两类：一类是预测，另一类是预报。

4.预测：我们从历史出发，提前几步推断未来。经典预测：我们以机器为基础，向前推断。主要问题是，随着向前推算的步数增加，误差也会累积，因为下一个值是基于前一个值的。

5.预测：我们获取当前的输入数据集，然后预测未来，不需要任何前史。与预测不同的是，我们不使用前一个值，也就是说，如果我们预测 +5，我们不需要前 4 个值。

5.除了初始数据，我们预测什么也非常重要。在交易时，我们有买入和卖出两种订单（带期权）。出于某种原因，我们通过回归预测未来的价格值，并根据这个价格值得出 "买入和卖出 "的结论。如果我们将误差考虑在内，并在考虑置信区间的情况下做出 "买入-卖出 "的决定，很快就会发现这是不可能做出决定的。由此可见：预测意义的回归模型--不可预测。

6.我们应该预测趋势的方向，这与交易系统的订单相吻合。 这可以通过分类模型来实现，这些 模型 可以预测："多空 "或 "多侧空"，或其他定性而非定量的东西，例如：货币对的未来价值 = 1.3500。

7.对于建立分类模型，这篇文章非常有用。

 
gpwr:

这篇文章很有意思。谢谢。但它更像是一本使用《统计学》的指南。其中有很多误区。

欢迎回到网站。;-)希望你能长久地留在这里。终于可以读到有用的信息了。
 

下面是我预测 S&P500 指数的回归模型示例。黑线为历史指数，蓝色水平实线为季度平均值，虚线为预测值。预测以季度为单位。预测的准确性不是很高，但足以预测走势的特征：下跌、上涨、持平。该模型预测，在今年剩余的 3.5 个月中，市场将会下跌，或者最好的情况是持平。我使用这些预测只是为了及时退出市场。

 

向作者提出的问题或请求--在获得的模型中，请转到结果中的 "高级 "选项卡并点击 "部分相关性 "按钮。

如果不难的话，请在此处公布模型各因子的 PC 系数值。

 
Demi:

向作者提出的问题或请求--在获得的模型中，请转到结果中的 "高级 "选项卡并点击 "部分相关性 "按钮。

如果不难的话，请在此处发布模型各因子的 PC 系数值。

所有操作您都可以自己完成，包含准备好的数据的文件附在文章的存档calendar_2010-2011_usd_out. zip 中。


 b*in 部分 Cor. 半部分 Cor. 公差 R 平方 t(357) p 值
1 天价格变化 0.3500049 0.3883344 0.3045530 0.7571426 0.2428574 7.9622506 0.0000000
10 天的价格变化 0.3271369 0.3623699 0.2809839 0.7377407 0.2622593 7.3460567 0.0000000
美元成屋销售（月率） 0.4499016 0.2746573 0.2064353 0.2105391 0.7894609 5.3970552 0.0000001
美元 MBA 抵押贷款申请 -0.1070692 -0.1315908 -0.0959356 0.8028431 0.1971569 -2.5081463 0.0125795
美元就业成本指数 1.1924082 0.3459071 0.2664363 0.0499272 0.9500728 6.9657258 0.0000000
美元 NAPM-密尔沃基 0.4918679 0.3281278 0.2510388 0.2604862 0.7395138 6.5631723 0.0000000
美元成屋销售 -0.6131716 -0.3510242 -0.2709271 0.1952275 0.8047725 -7.0831333 0.0000000
美元失业率 -0.2303595 -0.1174173 -0.0854492 0.1375953 0.8624047 -2.2339883 0.0261025
美元 ISM 制造业 0.4683029 0.2807841 0.2114298 0.2038349 0.7961651 5.5276311 0.0000001
美元 非国防资本货物订单（不包括航空 -1.0522008 -0.3326872 -0.2549579 0.0587137 0.9412863 -6.6656324 0.0000000
美元耐用品（运输除外 1.0195595 0.3332286 0.2554246 0.0627625 0.9372375 6.6778344 0.0000000
美元房价购买指数（季度） -0.6493641 -0.3164098 -0.2410558 0.1378030 0.8621970 -6.3021765 0.0000000
美元 芝加哥采购经理人 -0.7364752 -0.2854029 -0.2152134 0.0853930 0.9146070 -5.6265502 0.0000000
美元 核心个人消费支出 (同比) -0.5430761 -0.2067342 -0.1527068 0.0790670 0.9209330 -3.9923747 0.0000794
1234
新评论