Finansal zaman serisi verilerini modellemek için python'un istatistik modellerini VAR kitaplığını kullanıyorum ve bazı sonuçlar beni şaşırttı. VAR modellerinin zaman serisi verilerinin durağan olduğunu varsaydığını biliyorum. Yanlışlıkla iki farklı menkul kıymet için sabit olmayan bir dizi log fiyatına uyuyorum ve şaşırtıcı bir şekilde takılan değerler ve örnek içi tahminler nispeten önemsiz, durağan kalıntılarla çok doğruydu. içinde örnek tahmini% 99 idi ve tahmin kalıntı seri standart sapması tahmin değerlerinin yaklaşık% 10 idi.
Ancak, log fiyatlarının farkına vardığımda ve bu zaman serisini VAR modeline uyduğumda, takılan ve tahmin değerleri ortalamanın üzerinde dar bir aralıkta sıçrayan işaretin çok dışında. Sonuç olarak, artıklar, günlük değerlerini öngörülen değerlerden daha iyi tahmin ederek daha iyi bir iş çıkarır; tahmin artıklarının standart sapması, yerleştirilen veri serilerinden 1500 daha büyük tahmin serisi için bir .007 değeridir.
VAR modelinde kalanlara karşı takılmış mı yoksa başka bir hata mı yapıyorum? Durağan olmayan bir zaman serisi neden aynı temel verilere dayanarak durağan olandan daha doğru tahminlerle sonuçlanır? Aynı python kütüphanesinden gelen ARMA modelleriyle iyi çalıştım ve bu tek seri verileri modelleme gibi bir şey görmedim.