Um relato de Correlogram Na análise de dados, geralmente começamos com as propriedades estatísticas descritivas dos dados da amostra (por exemplo, média, desvio padrão, distorção, kurtosis, distribuição empírica, etc.). Esses cálculos são certamente úteis, mas eles não contabilizam a ordem das observações nos dados da amostra. A análise de séries temporais exige que prestem atenção à ordem e, portanto, requer um tipo diferente de estatística descritiva: estatística descritiva de séries temporais ou simplesmente análise de correlograma. A análise de correlograma examina a dependência tempo-espaço dentro dos dados da amostra, e enfoca a auto-covariância empírica, auto-correlação e testes estatísticos relacionados. Finalmente, o correlograma é uma pedra angular para identificar o (s) modelo (s) e modelo (s). O que um gráfico para correlação automática (ACF) e / ou auto-correlação parcial (PACF) nos informa sobre a dinâmica do processo subjacente Este tutorial é um pouco mais teórico do que os tutoriais anteriores na mesma série, mas faremos o nosso melhor para dirigir As intuições para casa para você. Antecedentes Primeiro, comece com uma definição para a função de auto-correlação, simplifique-a e investigue o ACF teórico para um processo de ARMA. Função de auto-correlação (ACF) Por definição, a correlação automática para lag k é expressa da seguinte forma: Este gráfico ACF também é infinito, mas a forma real pode seguir padrões diferentes. Um processo de AR pode ser representado por um processo de MA infinito O AR possui memória infinita. Mas o efeito diminui ao longo do tempo. As funções de suavização exponencial são casos especiais de um processo AR, e eles também possuem memória infinita. Exemplo 4 - Modelo ARMA (p, q) Agora, vemos o que o argumento ACF de um processo puro de MA e AR parece Como, mas, e quanto a uma mistura dos dois modelos. Pergunta: por que precisamos considerar um modelo de mistura como o ARMA, pois podemos representar qualquer modelo como um MA ou um modelo AR. Resposta: estamos tentando reduzir o requisito de memória e o Complexidade do processo superestimando os dois modelos. Usando a fórmula de auto-correlação MA (q), podemos calcular as funções de auto-correlação ARMA (p, q) para sua representação MA. Isso está ficando intenso Alguns de vocês podem estar se perguntando por que não usamos VAR ou uma representação de espaço de estado para simplificar as notações. Eu fiz um ponto para permanecer no domínio do tempo e evitei novas idéias ou truques de matemática, pois não serviriam nossas intenções aqui: Implicar o pedido AR / MA exato usando os valores de ACF por si mesmos, o que é tudo menos preciso. Intuição: os valores de ACF podem ser considerados como os valores de coeficientes do modelo de MA equivalente. Intuição: a variância condicional não tem barreira (efeito) nos cálculos de auto-correlação. Intuição: A média de longo prazo também não possui barreira (efeito) nas auto-correlações. Função de auto-correlação parcial (PACF) Até agora, vimos que identificar a ordem do modelo (MA ou AR) não é trivial para casos não simples, então precisamos de outra ferramenta de auto-correlação parcial (PACF). A função de auto-correlação parcial (PACF) desempenha um papel importante na análise de dados com o objetivo de identificar a extensão do atraso em um modelo autoregressivo. O uso desta função foi introduzido como parte da abordagem Box-Jenkins para a modelagem de séries temporais, pelo que se poderia determinar os atrasos apropriados p em um modelo AR (p) ou em um modelo ARIMA (p, d, q) estendido, traçando As funções de auto-correlação parcial. Simplificando, o PACF para lag k é o coeficiente de regressão para o kth term, como mostrado abaixo: O PACF assume que o modelo subjacente é AR (k) e usa múltiplas regressões para calcular o último coeficiente de regressão. Intuição rápida: os valores de PACF podem ser pensados (grosso modo) como valores de coeficientes do modelo AR equivalente. Como o PACF é útil para nós Supondo que temos um processo AR (p), então o PACF terá valores significativos para os primeiros atrasos e cairá para zero depois. E quanto ao processo MA O processo MA tem valores PACF não-nulos para um número de atrasos (teoricamente) infinito de atrasos. Exemplo 4: MA (1) A rentabilidade das regras de negociação média móvel nas bolsas da Ásia do Sul Abeyratna Gunasekarage a. . David M Power ba Departamento de Contabilidade, Finanças e Sistemas de Informação, Universidade de Canterbury, Bolsa privada 4800, Christchurch 8020, Nova Zelândia b Professor de Finanças Empresariais, Departamento de Contabilidade e Finanças Empresariais da Universidade de Dundee, Dundee DD1 4HN, Reino Unido Recebido 18 de setembro de 2000, revisado em 28 de novembro de 2000, aceito em 28 de novembro de 2000, disponível em linha 26 de março de 2001 Dois estudos publicados na última década (xA0andxA0) revelam evidências de que as regras técnicas de negociação têm capacidade preditiva em relação aos índices de mercado nos EUA e no Reino Unido. Este estudo analisa o desempenho de um grupo dessas regras de negociação usando dados de índice para quatro mercados de capitais sul-asiáticos emergentes (a Bolsa de Valores de Bombay, a Bolsa de Valores de Colombo, a Bolsa de Valores de Dhaka e a Bolsa de Valores de Karachi) e examina as implicações dos resultados Pela forma fraca da hipótese de mercado eficiente. As descobertas indicam que as regras técnicas de negociação têm capacidade preditiva nesses mercados e rejeitam a hipótese nula de que os retornos a serem obtidos a partir de estudos de valores médios móveis são iguais aos obtidos por uma estratégia de compra e retenção ingênua. O emprego dessas técnicas gera retornos excessivos para Investidores nos mercados do sul da Ásia. Hipótese de mercado eficiente Regras técnicas de negociação Mover média Estratégia de compra e retenção Classificação JEL
No comments:
Post a Comment