计量经济学：为什么需要协整？ - 页 25

新评论
 
faa1947:
又是技术分析的萨满。今后该何去何从？
你无法躲避我们）继续计算数字）。
 
faa1947:
在TA中，你正在寻找具有未知统计特征的模式。它非常接近于阅读咖啡渣。我寻找行的统计特征，并在此基础上预测未来的行为。例如，对我们的公羊。在这种方法的框架内，"你不能坐过头 "的神牛已经死了。过度冰冻是可能的，因为我们无论如何都会来到零点，而在通往零点的路上的损失并不具有无限增长的特性。
当然，它不会无限增长，如果存款是一百万，手数是0.01））模式也是根据基本面来搜索的，我的朋友：）。而你试图用数字来描述市场，各种协整，这都是一个笑话--相信我吧)
 
alsu:

从这两种测试的构造原则来看，最简单的一点是，测试中包含的回归方程的残差必须是静止的，并且与系列本身不相关，否则，该方法就失去了其意义。对于格兰杰--上述所有情况，但对于方程中任何 数量的滞后期（这在实践中一般很难实现--这就是为什么这个测试主要适用于宏观经济数据，其中系列的长度--年度、季度、月度--通常最多几十个样本，但不是数百万个）。

还有很多其他的微妙....例如，残差分布的正态性，...(也不是很充实)

另外，在谈到因果关系时，格兰杰提出了一个很好的定义，但像任何理想一样，这样的表述在实践中被证明是无法验证的。因此，同名的测试，即使所有的先决条件都满足了，也肯定只能告诉你因果关系的不存在，如果它真的不存在，而不是它的存在，如果它真的存在。

我喜欢摆脱非平稳性并根据平稳序列做出交易决定的想法。因果关系测试是其中的一部分。滞后的情况是：不需要规范性，静止性就够了。

但问题依然存在。我不清楚在合并两个序列时，非平稳性的原因是什么？让我们把转移作为一个无法解决的问题来抛弃。

尽管我们可以在一个大的区间内吐出并运行TC，并看到结果。

 
faa1947:

我不清楚合并两个序列后，非平稳性的原因被消除了？

静止的线性组合的存在表明系列的性质相似，它们的起源，可以说，来自现实的同一来源）。但这些都是比较笼统的说法。

如果我是你，如果协整如此有趣，我会尝试确定它有多稳定，即如果我们增加离群点的长度，在什么时候协整方程不再有解。以及协整系数如何作为行长的函数而变化。这可能会也可能不会提供很多有用的信息。

 
alsu:

静态线性组合的存在表明了系列的相似性，它们的起源，可以说是来自现实的同一来源）。但这些都是比较笼统的说法。

如果我是你，如果协整如此有趣，我会尝试确定它有多稳定，即如果我们增加离群点的长度，在什么时候协整方程不再有解。以及协整系数如何作为行长的函数而变化。这可能会提供很多有用的信息（也可能没有：）。

下面是协整方程

eurusd = c(1)*gbpusd + c(2) + c(3) *@trend

我们取了6700个H1条的样本，并通过它移动118条（周）的窗口。系数被改变（第三个没有显示）。(第三个没有显示）和单位根检验的结果。

我不能得出任何结论。很明显，我们应该争取单位根，但争取的工具并不明确。

 
faa1947:

下面是协整方程

eurusd = c(1)*gbpusd + c(2) + c(3) *@trend

我们抽取了6700个H1柱的样本，并相应地移动了118个柱（周）的窗口。系数被改变（第三个没有显示）。(第三个没有显示）和单位根检验的结果。

我不能得出任何结论。很明显，人们必须为单位根而斗争，但斗争的工具并不明确。

我的观点是这样的。

我们从某一时刻的大小（例如）24条中取样，增加其长度：25、26、....直到我们感到厌烦。注意系数。修复方程不再被解决的时刻。对于不同的起点，最好重复这一程序。

如果比率的动态是清晰的（不是噪音），我们可以得出关于协整的一般特征的结论。对于第二个参数，估计协整时间常数。

 
alsu:

我的观点是这样的。

如果系数的动态变化是明确的（不是噪音），就有可能得出关于协整的一般特征的结论。对于第二个参数，估计协整时间常数。

以上是窗口移位一格时的系数图。没有任何稳定性可言。协整水平的规定是否不正确？通常情况下，趋势规范是问题所在。去趋势后的残差应该是静止的。并非如此。因此，与其说是系数，不如说是噪音。
 
faa1947:
以上是窗口移位一格时的系数图。没有任何稳定性可言。协整水平的规定是否不正确？通常情况下，趋势规范是问题所在。去趋势后的残差应该是静止的。并非如此。因此，它不是一个系数，而是噪音。

我不知道如何解释.....，我试试。

你/我们/他们所计算的不是系数。它们是估计数。我们永远不会 知道这些系数，我们只能以某种程度的概率估计它们。由于该系列是随机的，因此估计值自然是有噪声的。否则我们将不得不承认，我们的系列不是随机的，而是完全决定性的。因此，噪音是正常的，但在不同的样本量下，我们应该看到一些依赖性，尽管是噪音。这将表明协整计算具有实际意义。

 
alsu:

好吧，我不知道如何解释.....，我试试。

你/我们/他们所计算的不是系数。这是他们的估计。我们永远不会 知道这些系数，我们只能以某种程度的概率估计它们。由于该系列是随机的，因此估计值自然是有噪声的。否则我们将不得不承认，我们的系列不是随机的，而是完全决定性的。因此，噪音是正常的，但在不同的样本量下，我们应该看到一些依赖性，尽管是噪音。这将表明协整计算具有实际意义。

下面是协整回归系数的估计值

因变量：欧元兑美元

方法：动态最小二乘法（DOLS）。

日期: 04/26/12 时间: 10:29

样本：6619 6736

包括观察：118

协整方程的确定性： C @TREND @TREND^2

自动领先和滞后规格（基于AIC的领先=12和滞后=12

准则，最大=12)

长期方差估计值（Bartlett核，Newey-West固定带宽=）。

5.0000)

没有对标准误差和协方差进行d.f.调整

变量 系数 Std.误差 t-统计学 概率。

gbpusd 1.129724 0.137650 8.207248 0.0000

C 35.58951 22.84113 1.558133 0.1228

@trend -0.011004 0.006888 -1.597440 0.1137

@trend^2 8.39e-07 5.16e-07 1.626326 0.1074

让我们来看看t-Statistic 一栏。如果你用100%除以这一栏中的数值，你就会得到系数估计的误差。 它是巨大的。这是否可以作为衡量标准？


 
faa1947:

下面是对协整回归系数的估计

因变量：欧元兑美元

方法：动态最小二乘法（DOLS）。

日期: 04/26/12 时间: 10:29

样本：6619 6736

包括观察：118

协整方程的确定性： C @TREND @TREND^2

自动领先和滞后规格（基于AIC的领先=12和滞后=12

准则，最大=12)

长期方差估计值（Bartlett核，Newey-West固定带宽=）。

5.0000)

没有对标准误差和协方差进行d.f.调整

变量 系数 Std.误差 t-统计学 概率。

gbpusd 1.129724 0.137650 8.207248 0.0000

C 35.58951 22.84113 1.558133 0.1228

@trend -0.011004 0.006888 -1.597440 0.1137

@trend^2 8.39e-07 5.16e-07 1.626326 0.1074

注意t-Statistic 栏。如果你用100%除以这一栏的数值，你就会得到系数估计的误差。 它是巨大的。这是否可以作为衡量标准？

(a) t统计量假设数据具有正态分布，只适用于这种数据，否则会扭曲结果。

b) matstat中用100%除以t标准值的新方向是什么，请指教。

1...1819202122232425262728
新评论