所有指标都滞后所以无用(如何理解领先指标和滞后指标？)
1. 如何理解领先指标和滞后指标？
指标都有领先性和滞后性，如果一个人和你说均线只能只能滞后而不能提前，那说明他玩的很肤浅还不到位。
只是就算指标有提前性你会相信吗，你敢按照指标执行吗
这是我做的一个具有提前性的指标。
不限制交易品种，不限制交易周期，在什么时间级别效果都一样好用。
2. 如何理解领先指标和滞后指标？
指标都有领先性和滞后性，如果一个人和你说均线只能只能滞后而不能提前，那说明他玩的很肤浅还不到位。
只是就算指标有提前性你会相信吗，你敢按照指标执行吗
这是我做的一个具有提前性的指标。
不限制交易品种，不限制交易周期，在什么时间级别效果都一样好用。
3. 如何理解领先指标和滞后指标？
指标都有领先性和滞后性，如果一个人和你说均线只能只能滞后而不能提前，那说明他玩的很肤浅还不到位。
只是就算指标有提前性你会相信吗，你敢按照指标执行吗
这是我做的一个具有提前性的指标。
不限制交易品种，不限制交易周期，在什么时间级别效果都一样好用。
4. 模型的滞后项越多越好吗？
时间序列分析 一般是Box-Jenkins的方法 把因变量的滞后项作为自变量 y_t = b0 + b1*y_{t-1} + b2*y_{t-2} + ... + bp*y_{t-p} + u_
t 这样的模型确定滞后阶数p的方法是 1. y_t满足covariance-stationarity 也就是对于任意t 均值不变 方差不变 协方差只是间隔项数的函数 2. u_t是白噪声而不出现序列相关 3. p的确定遵循parsimony的原则 国内应该翻译为“精简” 一般构造AIC和 SBC两个指标来比较 这两个指标越小越好 AIC = T * ln(残差平方和) + 引入p阶的惩罚 SBC相似 也就是说首先残差平方和应该越小说明自变量也就是滞后阶数的解释能力强 不过呢引入的滞后项数越多 残差平方和应该越来越小 所以要看有效性 便加入一个惩罚 使得模型精简 原理和adjusted R^2一样 AIC适合小样本 SBC适合大样本 然后这两个信息标准都在一般的回归软件中列了出来 比较其中最小的就是合适的p阶滞后 但是一定要保证残差是白噪声
5. 模型的滞后项越多越好吗？
时间序列分析 一般是Box-Jenkins的方法 把因变量的滞后项作为自变量 y_t = b0 + b1*y_{t-1} + b2*y_{t-2} + ... + bp*y_{t-p} + u_
t 这样的模型确定滞后阶数p的方法是 1. y_t满足covariance-stationarity 也就是对于任意t 均值不变 方差不变 协方差只是间隔项数的函数 2. u_t是白噪声而不出现序列相关 3. p的确定遵循parsimony的原则 国内应该翻译为“精简” 一般构造AIC和 SBC两个指标来比较 这两个指标越小越好 AIC = T * ln(残差平方和) + 引入p阶的惩罚 SBC相似 也就是说首先残差平方和应该越小说明自变量也就是滞后阶数的解释能力强 不过呢引入的滞后项数越多 残差平方和应该越来越小 所以要看有效性 便加入一个惩罚 使得模型精简 原理和adjusted R^2一样 AIC适合小样本 SBC适合大样本 然后这两个信息标准都在一般的回归软件中列了出来 比较其中最小的就是合适的p阶滞后 但是一定要保证残差是白噪声
6. 如何理解领先指标和滞后指标？
指标都有领先性和滞后性，如果一个人和你说均线只能只能滞后而不能提前，那说明他玩的很肤浅还不到位。
只是就算指标有提前性你会相信吗，你敢按照指标执行吗
这是我做的一个具有提前性的指标。
不限制交易品种，不限制交易周期，在什么时间级别效果都一样好用。
7. 模型的滞后项越多越好吗？
时间序列分析 一般是Box-Jenkins的方法 把因变量的滞后项作为自变量 y_t = b0 + b1*y_{t-1} + b2*y_{t-2} + ... + bp*y_{t-p} + u_
t 这样的模型确定滞后阶数p的方法是 1. y_t满足covariance-stationarity 也就是对于任意t 均值不变 方差不变 协方差只是间隔项数的函数 2. u_t是白噪声而不出现序列相关 3. p的确定遵循parsimony的原则 国内应该翻译为“精简” 一般构造AIC和 SBC两个指标来比较 这两个指标越小越好 AIC = T * ln(残差平方和) + 引入p阶的惩罚 SBC相似 也就是说首先残差平方和应该越小说明自变量也就是滞后阶数的解释能力强 不过呢引入的滞后项数越多 残差平方和应该越来越小 所以要看有效性 便加入一个惩罚 使得模型精简 原理和adjusted R^2一样 AIC适合小样本 SBC适合大样本 然后这两个信息标准都在一般的回归软件中列了出来 比较其中最小的就是合适的p阶滞后 但是一定要保证残差是白噪声
8. 模型的滞后项越多越好吗？
时间序列分析 一般是Box-Jenkins的方法 把因变量的滞后项作为自变量 y_t = b0 + b1*y_{t-1} + b2*y_{t-2} + ... + bp*y_{t-p} + u_
t 这样的模型确定滞后阶数p的方法是 1. y_t满足covariance-stationarity 也就是对于任意t 均值不变 方差不变 协方差只是间隔项数的函数 2. u_t是白噪声而不出现序列相关 3. p的确定遵循parsimony的原则 国内应该翻译为“精简” 一般构造AIC和 SBC两个指标来比较 这两个指标越小越好 AIC = T * ln(残差平方和) + 引入p阶的惩罚 SBC相似 也就是说首先残差平方和应该越小说明自变量也就是滞后阶数的解释能力强 不过呢引入的滞后项数越多 残差平方和应该越来越小 所以要看有效性 便加入一个惩罚 使得模型精简 原理和adjusted R^2一样 AIC适合小样本 SBC适合大样本 然后这两个信息标准都在一般的回归软件中列了出来 比较其中最小的就是合适的p阶滞后 但是一定要保证残差是白噪声
