Эконометрика: библиография - страница 7

100% согласен, написал советник на тот же самый курсач, адаптивная модель прогнозирования временного ряда с неустойчивым характером колебаний, работает по тренду до конца, а вот развороты сливает, во флэте ведет себя приемлимо. лит-ра лукашин адаптивные методы прогнозирования.

Если вы выделили детерминированную составляющую и удалили ее, то очевидно, что для того, чтобы выделить что-то из остатка, потребуется использовать другой метод выделения (если вы не хотите получить на выходе заведомый ноль). И так на каждом шаге.

Проблема в приложении к трейдингу - это обнаружить излом (ну или называйте как хотите, выражение "срыв стационарности" мне больше нравится) как можно раньше, до того, как сработал SL. Но, пользуясь методом из вашего аттача, мы можем это сделать вряд ли хотя бы потому, что в рамках линейной модели мы совершенно не имеем средств, чтобы определить, в какой конкретно момент внутри выборки произошел излом. И, как правильно вы отметили, в данной модели излом практически никогда не диагностируется по приходу одного бара, если только этот бар сразу не загнал вас в лось.

"Не читайте советских газет"

Если вы выделили детерминированную составляющую и удалили ее, то очевидно, что для того, чтобы выделить что-то из остатка, потребуется использовать другой метод выделения (если вы не хотите получить на выходе заведомый ноль). И так на каждом шаге.

Почему другой? Не понимаю. В ветке прогнозирования я показывал многократное применение фильтра Ходрика-Прескотта. Демонстрировал, что ничего путного. Из коллектива я ничего не выжал. Но сейчас могу сказать, что имелось две проблемы: (1) претензии к фильтру, который я подозреваю в краевом эффекте справа и (2) не меньшей проблемой, чем сама модель, является использование полученного прогноза. Если этот вопрос не решить, то рассуждать о методе сглаживания не стоит. При этом я отбрасываю ММ как метод решения проблем использования прогноза.

Исходя из этого я выложил аттач и ссылку на хэндбук. Обе эти позиции являются новыми на форуме и по моим представления очень перспективными.

Проблема в приложении к трейдингу - это обнаружить излом (ну или называйте как хотите, выражение "срыв стационарности" мне больше нравится) как можно раньше, до того, как сработал SL. Но, пользуясь методом из вашего аттача, мы можем это сделать вряд ли хотя бы потому, что в рамках линейной модели мы совершенно не имеем средств, чтобы определить, в какой конкретно момент внутри выборки произошел излом. И, как правильно вы отметили, в данной модели излом практически никогда не диагностируется по приходу одного бара, если только этот бар сразу не загнал вас в лось.

Идея аттача состоит в прогнозе по нескольким моделям. Разные модели дадут излом вразных точках и благодаря этому будет уточнен прогноз. Думаю так.

Простая логика. Допустим, мы имеем некий сигнал и хотим выделить из него детерминированную составляющую. Само собой, мы хотим сделать это оптимально, т.е. так, чтобы используемый нами метод ни при каких условиях не мог дать лучшего результата на данном сигнале. Тут над отметить, что мы обязаны в этом случае ввести критерий оптимальности, которым мы будем накладывать ограничения на параметры алгоритма. Но отсюда следует, что если мы таки добились этого, и выжали из используемого метода оптимум, то использование того же метода с тем же критерием оптимальности на остатке обязано дать ноль, т.к. в противном случае имеем противоречие с тем, что параметры предыдущего шага были вычислены исходя из оптимального критерия...

Здесь такая казуистика - если мы не применяем критерий оптимизации и прост, например, тупо фильтруем сигнал статическим фильтром, то по идее мы не имеем право назвать результат детерминированной составляющей. Чем она детерминирована-то? Ведь таким образом мы можем применить кучу одинаковых по структуре фильтров, но с разными параметрами, и все они дадут разные результаты. Какой из них тогда считать детерминированной составляющей? Все наборы параметров равноправны, пока мы не ввели критерий оптимальности.

Краевые эффекты неизбежны в любом методе, они есть следствие принципа причинности, и нам от них никогда не избавиться полностью. Но можно пытаться бороться, сглаживая их влияние. Для этого необходимы априорные знания о выборке, а значит, некие фундаментальные исследования.

Ну, это вообще старая песня))

Простая логика. Допустим, мы имеем некий сигнал и хотим выделить из него детерминированную составляющую. Само собой, мы хотим сделать это оптимально.

Критерий известен - RMSE. Чтоб не заморачиваться SE. Этот критерий позволяет выбрать параметры сглаживания на конкретной выборке. При сдвиге пересчитываем.

Получаем детерминированную составляющую в том смысле, что часть котир аппроксимирован формулой. Зачастую гладкой дифференцированной и т.д. Случайностью не пахнет. Но всегда имеется ошибка аппроксимации. Причем имеется еще одно соображение.

Исходный котир нестационарен. Из него вычли эту гладкую аппроксимацию. Вопрос: где нестационарность? Исчезла? Остаток стационарен? Если остаток стационарен, то можно делать прогноз. Не стационарен - прогноз делать невозможно и надо продолжить сглаживание, откусывая куски от нестационарности. Так как по абсолютной величине остаток уменьшается и после третьего сглаживания размах обычно сравним с пипсом, то в конечном итоге на него можно плюнуть.

В конце концов, мы можем считать оптимальным методом выделения детерминированной составляющей и саму итерационную процедуру. Главное, чтобы она приводила к стационарному белому шуму на выходе, т.е. необходимо удалить не только нестационарность, но и автокорреляцию остатков, иначе прогнозу будет грош цена. Короче, задача в такой постановке известна давно, но применительно к форе я ее решения в открытом доступе не видел. Но даже если так, кто сказал, что форма детерминированной составляющей в окне анализа сама по себе стационарна, т.е. что она не изменится при сдвиге окна? А если нет, то и прогнозу грош цена.

Идеал не достижим.

Рассмотрим план на примере.

Берем машку с Т=10. Для меня это 10 независимых переменных, которые взяли в вычисления с постоянным коэффициентом = 0.1

Когда-то считал, ошибка подгонки свыше 100 пипсов для Н1.

В чем проблема? Очевидно в постоянном коэф.

Берем регрессию для 10 лаговых значений и считаем коэф. Они не равны 0.1 Ошибка меньше, но все равно около 100 пипсов.

Следующий вопрос. Почему 10 независимых переменных?

Далее, а почему линейная комбинация этих переменных?

К чему клоню на данном этапе рассуждений.

Адаптировать надо: коэффициенты, кол-во независимых переменных, функциональную форму.

Это все?

Нет не все.

Выдвигаем концепцию адаптивной модели к рынкету, но возникает вопрос, а что мы видим в рынкете или за что беремся из рынкета?

Если взять EViews, то имеется набор тестов, которые позволяют выделить более широкий, чем выше, набор параметров, которые надо аппроксимировать. практически полно этот набор параметров я показал в ветке по прогнозу.

Все правильно. Осталось:

Сущая малость))

Почитайте Илью Пригожина. Многое узнаете. Хаос есть во всех динамических системах.