Эконометрика: прогноз на один шаг вперед - страница 126

(1) вопрос не в результатах прогноза. Он то мне совершенно не интересен. Как ведут себя коэффициенты модели во времени. Вы можете хотя бы графики их динамики показать.

(2) НР - это фильтр (Hodrick–Prescott)?, тогда все еще хуже.

(2) НР - это фильтр (Hodrick–Prescott), тогда все еще хуже.

Ну да. Сначала казалось, что не имеет значения. Нужно решить проблему остатка. Решил. А теперь сомневаюсь. У Вас имеются обоснованные претензии к НР?

1) вопрос не в результатах прогноза. Он то мне совершенно не интересен. Как ведут себя коэффициенты модели во времени. Вы можете хотя бы графики их динамики показать.

Наконец-то настоящий вопрос. Показывал. Очень интересные. Сейчас покопаюсь и попробую выложить снова.

to faa

что Вы! К Прескотту у меня претензий нет. Вы же знаете как я уважаю Прескотта, Прескотт - это голова, ему палец в рот не клади ...

охренеть, типа до этого я вас тут отвлекал и спрашивал всякую фигню.

да не утруждайте себя, чего ценные килокалории тратить то ...

Модель:

kotir hp1(-1 to -2) hp1_d(-1 to -1) eq1_hp2(-1 to -3) eq1_hp2_d(-1 to -4)

В скобках лаги. На каждом новом баре подгоняю число лагов

НР_d - разница между котиром и НР.

eq1_HP2 - сглаживание НР разницы между котиром и ур-ем hp1(-1 to -2) hp1_d(-1 to -1)

eq1_hp2_d( -1 to -4) 'это последний остаток

Если в нем гетероскедастичность, то моделирую GARCH

Без оценки GARCH получаем уравнение

KOTIR = C(1)*HP1(-1) + C(2)*HP1(-2) + C(3)*HP1_D(-1) + C(4)*EQ1_HP2(-1) + C(5)*EQ1_HP2(-2) + C(6)*EQ1_HP2(-3) + C(7)*EQ1_HP2_D(-1) + C(8)*EQ1_HP2_D(-2) + C(9)*EQ1_HP2_D(-3) + C(10)*EQ1_HP2_D(-4)

Много коэф.

Мелковато, но много. Почти стабильные.

Но вот оценки коэф. по некоторым из них ошибка великовата. Нужно 100% разделить на величину в t-статистика

Ну такой обидчивый!

Конечно, коэф чрезвычайно ценная информация. И очень интересно Ваше мнение. Вы первый кто поинтересовался и в этом смысле "наконец-то"

так ведь не видно ничего :о( Дайте хотя бы эксел с данными, графики сам построю, мож чего по анализирую

они же кривые у вас все. Как это они "почти стабильные"?

Прилагаю. Прошу учесть, что kotir - это EURUSD. прогнозируем по величине обратной индексу доллара.

По каждому коэф значение коэф и ошибка этого коэф

Внимательнее посмотрел на оценки проги, чего то причин для радости не вижу никаких. Если я правильно понимаю результат, то EW вам показывает, что модель то вообще говоря - липовая:

(1) коэффициент -0.48, с СКО ошибки в 0.12, например -4.89 с СКО ошибкой 0.9 -2.9 с СКО ошибкой 1.0 и т.д. это очень большие ошибки, очень большие, т.е. они почти на грани того, что бы признать оценку несостоятельной. грубо говря, коэффициент пару раз укладывается в ско

(2) t статистика для первого коэффициента очень большая, (если я правильно помню, давно с ним не работал нужно освежить знания), другими словами, самый первый коэффициент никак не описывает модель, в некотором смысле - он просто левый. Кстати, а какой "тренд" вы брали для модели HP?

(3) да не нужно оценивать вероятность того, что параметр не ноль. да понятно, что не ноль

(4) R-squared, не корректная оценка, я объяснял почему, на нее вообще нельзя смотреть в данном случае. Литературно выражаясь, масштаб уклонения цены не нормализован, вы как бы отошли от котировки километров на 300 и говорите, воооооон там будет цена. Ага, в пределах статистики уклонений да, но вы на этом ничего не заработаете, только потеряете

ладно, если чего я не понял, потом доразберусь.

(1)....это очень большие ошибки, очень большие

Да. По отдельным коэф.

(2) t статистика для первого коэффициента очень большая,

Неверно. T-статистика = коэф/СКО

самый первый коэффициент никак не описывает модель

Как раз первый и описывает. Надо 100 / t-статистику и получим ошибку в %. Но это не снимает проблему по другим коэф.

а какой "тренд" вы брали для модели HP?

Нет тренда. НР - сглаживает, чтобы получить в остатке шум.

(4) R-squared, не корректная оценка,

По идее корректная. DW около двух, что означает, что остаток нормально распределен. Есть еще ошибка регрессии = 11 пипсам, но ошибка зависимой переменной = 212 пипсам

Но вот результат прогноза

Прошу обратить внимание, что средняя ошибка в % = 5.7%!!!!