Эконометрика: прогноз на один шаг вперед - страница 116

Хотелось бы понять модель. Что такое CNORM? На каком промежутке модель обучалась и на каком тестировалась? Правильно ли понимаю что первые 100 строк в Excel-таблицах это обучающие данные? Почему их так мало (равно количеству зависимых переменных в моделе)?

@cnorm(x)

normal cumulative distribution (CDF)

Взято 500 баров. 100 первых баров не берет, так как это бары в формуле как период в машке. Не обучение, оценка коэф. на 500 барах

Такие модели могут давать иногда точные прогнозы, попросту от высокой степени вероятности совпадения, ввиду малого количества возможных конечных состояний и это ничо не значит - просто возьмите к примеру фактическое приращение к close на периоде следующих 500 баров по коэффициентам извлеченными на пердыдущих 500 барах и замерьте корреляцию с приращением прогноза - то есть разницу в детальных значениях. Полученный коэффициент и оценит объективно качество прогнозирования, для Вашего конкретного случая можно использовать оценку количественной корреляции. При этом это опять же - это не решение для задачи прогнозирования, потому что, чтоб использовать все это, как "полезную" систему, то надо не только уметь "входить в рынок" удачно, но еще и '"выходить" из него. Вы изначально заблуждаетесть, предпологая, что получаемая ошибка прогноза на один бар вперед при взятии большего количества баров будет накапливаться - на самом деле этого никто Вам не обещал... Так же, как и отбор значимости переменных - это тоже отдельная решаемая задача извлечения знаний (Data Mining) и для этого уже существуют методики и делается это не по принципу - берет или не берет 100 или 500 баров...

Весь топик богаче, чем последний пост, который Вы комментируете. Вопрос знАчимости переменных решался многократно. Накопление ошибки прогноза - это медицинский факт, так как берется для следующего прогноза предыдущее значение прогноза из-за отсутствия факта. Если берется факт - то это прогноз на один шаг вперед.

Но это мелкие и технические вопросы.

Использование приращений было. Ничего не получается, так как в приращения нет тренда, а прогнозируется тренд. и здесь основной вопрос топика: какие свойства модели дают гарантию прогнозируемости? Был предложен целый набор таких свойств для обычной регрессионной модели. То, что вы комментируете - это модель пробит и здесь другие, для меня не понятные модели.

Буду Вам благодарен за комментарий любого из многочисленных положений данного топика.

1. Уже много лет математически доказано, что если модель и анализируемый процесс совпадают (в ваших терминах «правильная модель») то лучший прогноз на 1 шаг вперед дает фильтр Калмана. Поищите по форуму тут про него есть…
2. Вам уже тут не раз говорили, модель у вас неправильная. Уперлись в эту регрессию, что других моделей больше не существует ?...весь мир во всем его многообразии описывается этой простенькой моделью ?...
3. И про вид АКФ тут вам уже не раз говорили, и её свойства…

Вот даю ссылку на свою работу уже давно там лежит (https://www.mql5.com/ru/code/8295) …. АКФ и если Вы внимательно присмотритесь там две кривые. Первая кривая – это модель (синяя такая линия), вторая – красная это АКФ котировок. Можете их сравнить (визуально)…

есть модель (она существует и давно известна) ею можно с достаточной точностью для практики описать корит, и это не регрессионная модель. Правда про эту модель скорее всего в учебниках эконометрики ничего не написано...ищите другие учебники

Всем удачи. Счастья и здоровья в Наступающем году !!!

С наступающим Новым Годом! Пусть все модели покорятся.

Вы утверждаете:

1. Что при переходе к приращениям теряется тренд. Это не так, т.к. наличие тренда будет напрямую влиять на условное матожидание приращений. Т.о. прогноз одного эквивалентен прогнозу другого.

2. Что модель приращений не обладает свойством обратимости. Это, опять же, не соответствует действительности, т.к. нам известен последний уровень цены. Спрогнозировав приращения, взяв от них кумулятивную сумму и прибавив последнее известное значение цены - получим однозначный переход в пространство "время/цена".

Можно быть теоретиком, строить модели с R^2 близким к единице и ничего на этом не зарабатывать. Можно быть практиком, и оценивать модели с точки ожидаемой прибыли и сопутствующих рисков. Первый случай годится, если вы хотите написать статью/диссертацию/что-то ещё. Если хотите зарабатывать - оценивайте модели сначала по прибыли/рискам, а лишь затем по R^2 и прочим статистикам.

Смотреть тесты внутри выборки можно разве что после того, как получен устойчивый положительный результат вне выборки. Иначе вы попусту тратите своё время.

Диффуры особо популярны при оценивании деривативов, например, опционов. В стат. арбитраже тоже есть применения.

НС занимает место нелинейных регрессионных моделей.

Хотелось бы понять один момент, если ты прогнозируешь ZZ то каким образом вычисляешь прогнозный шаг ЗигЗага?

(в ваших терминах «правильная модель»)

Правильная - значит обладает определенными свойствами. Эти свойства никто не обсуждает.

то лучший прогноз на 1 шаг вперед дает фильтр Калмана. Поищите по форуму тут про него есть…

В EViews есть модель под название пространство состояний, так фильтр Кальмана. Но не могу сформулировать такую модель, хотя по всем признакам это наиболее перспективная модель.

1. И про вид АКФ тут вам уже не раз говорили, и её свойства…

Вот даю ссылку на свою работу уже давно там лежит (https://www.mql5.com/ru/code/8295) …. АКФ и если Вы внимательно присмотритесь там две кривые. Первая кривая – это модель (синяя такая линия), вторая – красная это АКФ котировок. Можете их сравнить (визуально)…

Ваш пост про АФК ничего не понял.У меня АФК - это индикатор наличия зависимостей в котире, которые я моделирую

есть модель (она существует и давно известна) ею можно с достаточной точностью для практики описать корит, и это не регрессионная модель.

А если не интриговать?

1. Что при переходе к приращениям теряется тренд. Это не так, т.к. наличие тренда будет напрямую влиять на условное матожидание приращений. Т.о. прогноз одного эквивалентен прогнозу другого.

2. Что модель приращений не обладает свойством обратимости. Это, опять же, не соответствует действительности, т.к. нам известен последний уровень цены. Спрогнозировав приращения, взяв от них кумулятивную сумму и прибавив последнее известное значение цены - получим однозначный переход в пространство "время/цена

Я утверждаю только одно - результат на приращениях гораздо хуже, чем на уровнях. Это у меня и я этот результат не обобщаю. Возможно, у кого-то это получится.

Можно быть теоретиком, строить модели с R^2 близким к единице и ничего на этом не зарабатывать. Можно быть практиком, и оценивать модели с точки ожидаемой прибыли и сопутствующих рисков. Первый случай годится, если вы хотите написать статью/диссертацию/что-то ещё. Если хотите зарабатывать - оценивайте модели сначала по прибыли/рискам, а лишь затем по R^2 и прочим статистикам.

Смотреть тесты внутри выборки можно разве что после того, как получен устойчивый положительный результат вне выборки. Иначе вы попусту тратите своё время.

В этом вопросе я расхожусь со многими на форуме. Если вам нужен грузовик, а получился велосипед, то удачные испытания велосипеда не докажут, что у вас грузовик. Это все случайность, которая обязательно вылезет на реале.

НС занимает место нелинейных регрессионных моделей.

Еще раз. НС не решает проблем во всем многообразии. Об этом говорит ваше замечание про нелинейность. Что такое нелинейные регрессионные модели ? по переменным или по параметрам? А параметры примерно константы или случайные величины?, а если случайные, то какие у них характеристики? Это к вопросу об НС. У них свое место.