Media Móvil Del Filtro Hp

Por qué usted nunca debe utilizar el filtro de Hodrick-Prescott Una tarea muy común en finanzas y economía es calcular la tendencia subyacente de una serie de tiempo. Este es un problema bien conocido en sistemas de comunicación, y se logra mediante el diseño de un filtro de paso bajo. Un filtro que elimina componentes de alta frecuencia de una entrada. Por razones difíciles de entender, algunos economistas utilizan el Filtro Hodrick-Prescott (el Filtro HP) como filtro de paso bajo. Desafortunadamente, el filtro HP viola varios principios de diseño de filtro y genera salida engañosa. Como resultado, nunca debe utilizarse. Aunque este tema suena bastante técnico, los problemas pueden ser fácilmente ilustrados gráficamente. Incluso si usted no está interesado en la serie de filtrado usted mismo, estos problemas deben tenerse en cuenta al mirar a la investigación de los economistas si se basa en el uso de este filtro. Las conclusiones pueden basarse en defectos creados por la técnica de filtrado. Antecedentes La implementación del Filtro HP es bastante compleja, y supongo que esta complejidad da a la técnica un aura de sofisticación. Puesto que usted nunca debe utilizar el filtro, no hay razón para mirar las matemáticas detrás de él. Pero si lo desea, el filtro HP se describe en esta documentación del lenguaje R (el paquete mFilter, utilicé este paquete para generar los resultados aquí). El gráfico anterior muestra un uso típico del Filtro HP, que lo utiliza para calcular el PIB real (real). El panel superior muestra la serie original y la salida del filtro, que se conoce como la tendencia dentro de la literatura económica. La tendencia es una línea lisa agradable que cabe a través de la serie del GDP. (Tenga en cuenta que estoy usando esto como un ejemplo que proporciona una intuición simple para los problemas con el filtro de HP. Como observo a continuación, aunque el filtro HP se utilizó para este propósito históricamente, los intentos más serios para calcular el PIB potencial ahora utilizan (En una nota técnica, calculé la serie de la siguiente manera: primero transformé el PIB tomando el logaritmo de su valor, lo que convierte el crecimiento exponencial constante en una línea recta, luego calculo la tendencia del PIB logarítmico Utilizando el filtro HP o una técnica alternativa. Por último, calculo la tendencia para el PIB tomando la exponencial de esa serie de tendencia. Todos mis cálculos utilizan el valor del parámetro de suavizado de 1600, que es el mismo valor que todos los demás utilizan para los datos trimestrales Por qué 1600, y no 100 Hay una explicación larga (que puede o no ser convincente) El profesor Karl Whelan tiene notas de la conferencia con una explicación de resumen ACTUALIZACIÓN: Tenga en cuenta que la explicación original de la elección de parámetro 1600 fue sarcástica y completamente injusta . Al parecer, estoy en un estado de ánimo más generoso hoy, y actualizado el texto. Me gustaría agradecer al comentarista elsurexiste por proporcionar la referencia y golpear mis nudillos sobre mi comentario. El panel inferior muestra la desviación del PIB de la tendencia calculada por el filtro HP. Se muestra como un porcentaje del PIB. Curiosamente, muestra que el PIB real estadounidense está por encima de la tendencia, lo cual debería ser aterrador si usted es un bono bull - y si el filtro HP es confiable (lo discuto más adelante). Dado que las series filtradas que calculo están muy próximas unas de otras en términos de nivel, ahora demostraré las salidas del filtro por la desviación en la tendencia que generan. Como un aparte, muchas personas usan una desviación del PIB de alguna tendencia como una medida de la brecha del producto. Quisiera señalar que los dos conceptos deben ser separados, ya que tenemos que hacer sólidos supuestos de modelo para justificar la creencia de que la brecha del producto debe estar cerca del PIB de tendencia. Como ejemplo, la tasa relativamente baja de crecimiento del PIB desde el final de la crisis financiera implica que la tendencia del crecimiento del PIB es menor, pero eso no significa necesariamente que el crecimiento potencial del PIB sea bajo. Por qué falla el filtro HP para el uso en tiempo real El problema más importante con el filtro HP se puede demostrar por cómo se comporta bajo diferentes escenarios. En el panel superior de la tabla anterior, se muestran tres series temporales de la tasa de crecimiento: datos históricos (hasta 2014q4, en negro), un escenario de fuerte crecimiento (más precisamente, un crecimiento más fuerte - una tasa anual de 3, en rojo) Y un escenario de una recesión moderada (2 contracción en 2 trimestres, y luego regresando a 1,5 crecimiento anualizado, en azul). El panel inferior muestra lo que sucede con la salida del filtro HP, dependiendo del escenario. Se revisa la desviación de la tendencia al final del conjunto de datos. Si tenemos un crecimiento más fuerte, la estimación del PIB real que está por encima de la tendencia a finales de 2014 se revisa de distancia, y parece que la economía estaba cerca del valor de la tendencia. Por el contrario, si la economía cae en recesión, la economía parece estar tan por encima de la tendencia como lo fue en 2007. Esto sucede porque el filtro HP no es causal, el valor en un momento depende de los valores futuros de la época serie. Podemos calcular una salida de filtro no causal si tenemos acceso a los datos de la serie durante todo el tiempo, pero no podemos calcular los valores de salida en tiempo real. Por esta razón, los ingenieros no miran los filtros no causales, aparte de las conferencias iniciales de un curso sobre teoría de sistemas. La mayoría de los organismos estadísticos lo descubrieron hace algún tiempo, y ya no utilizan el filtro HP para cosas como la estimación del PIB de tendencia. Los economistas que continúan usando el filtro HP parecen ser teóricos que no están demasiado preocupados por la econometría, así como por los economistas de mercado (y los bloggers) que lanzan análisis juntos bastante rapido. Dentro de las finanzas, los profesionales a menudo quieren utilizar series suavizadas como insumos para las reglas comerciales. La no causalidad elimina inmediatamente el filtro HP de la consideración, ya que cualquier regla comercial que se base en los precios futuros debe generar fuertes retornos en el backtesting. Análisis histórico Se podría entonces argumentar que tal vez el filtro HP pueda ser utilizado para el análisis histórico. Dado que los datos que estamos buscando son fijos (salvo revisiones), la no causalidad podría no ser un problema. El problema con esta línea de argumento es que la salida del filtro HP no es confiable cerca de los puntos finales del conjunto de datos. Desafortunadamente, no sabemos qué cerca significa. El panel superior de la tabla anterior muestra cómo la estimación de la desviación de la tendencia depende de la muestra que elija. La línea negra muestra la desviación estimada de la tendencia cuando usamos un conjunto de datos que va de 1990q1 a 2007q4, y la línea roja usa el conjunto de datos que termina en 2014q4. El punto final de la muestra más corta (finales de 2007) muestra el PIB cerca de la tendencia, que es la tendencia inherente del filtro HP. Esto es completamente diferente de la imagen que se da mediante el uso de la muestra más grande. El panel inferior muestra el análisis usando un filtro sensible - el promedio móvil centrado (usé 21 períodos, o 5 años y 1 trimestre). La media móvil centrada es una media móvil donde la salida es desplazada en el tiempo por un avance de la mitad de la media móvil. En este caso, la media móvil de 21 períodos es la media de un punto en el tiempo, más los puntos de tiempo que están dentro de 10 períodos de cada lado. (Puesto que hay 10 períodos en cada lado, más el punto medio, hay 21 puntos a promediar.) Al igual que el filtro HP, el promedio móvil centrado es no causal. El promedio móvil centrado no se define en todo el intervalo, ya que perdemos los primeros y últimos 10 puntos en el conjunto de datos. Pero donde se define, está muy cerca del valor del filtro HP. Como diría, el filtro HP es casi tan bueno como el promedio móvil centrado. (No he hecho ningún esfuerzo por ajustar los parámetros del filtro para que las salidas estén más cerca). Además, la media móvil centrada nos dice dónde tirar los puntos de datos al final de los datos - no hay salida definida para donde Los resultados serían más esbozos. La metodología de filtros HP no ofrece información sobre dónde necesitamos eliminar los datos de punto final no fiables. Un ingeniero de sistemas de comunicación o de control objetaría que los promedios móviles (incluidos los promedios móviles centrados) generalmente no se usan dentro de la ingeniería. Tienen algunas tendencias desafortunadas para magnificar el ruido de alta frecuencia. Esto puede interpretarse como el efecto base que se ve en la salida. Normalmente, se usan funciones de transferencia de bajo orden, la más básica de las cuales se conoce como el promedio móvil exponencial en economía. (Un choque golpea un promedio móvil tanto cuando entra en el promedio como cuando cae). Si yo estuviera construyendo una regla comercial, usaría estos filtros en lugar de un promedio móvil, pero para mis propósitos aquí, utilizo el más simple para explicar el filtro - el promedio móvil. Mi sensación es que casi todo mi público objetivo con antecedentes en finanzas o economía sabe lo que un promedio móvil es el promedio móvil exponencial es desafortunadamente exótico. (Para los ingenieros eléctricos, la situación se invierte.) Vea mi primer sobre las expectativas de adaptación para más discusión del filtro de media móvil exponencial. ¿Qué hacemos en tiempo real? Una media móvil centrada es una solución razonable para el análisis de datos históricos. Para las estimaciones de los valores actuales, las soluciones parecen menos satisfactorias. La razón es que si nos limitamos a los filtros causales, tenemos un retraso inevitable incorporado en nuestras salidas de filtro. La situación para la media móvil centrada es la más fácil de explicar. Los textos de teoría de sistemas suelen comenzar con el promedio móvil no causal, ya que tiene la representación de dominio de frecuencia más limpia. A continuación, agregamos un retraso de tiempo para convertirlo en una media móvil estándar, que es causal. En otras palabras, una media móvil se piensa mejor como un promedio móvil centrado más un retraso de tiempo. Para otros filtros, la prueba de por qué se introduce un retardo de tiempo requiere el uso de análisis de dominio de frecuencia. Existe el equivalente de una ley de conservación que explica por qué tiene un trade-off entre el filtrado de componentes de señal de alta frecuencia y el retardo en la salida. La prueba de esto se puede encontrar en la mayoría de los libros de texto de procesamiento de señales digitales. Una excepción aparente que es bien conocida dentro de la economía es el concepto de ajuste estacional. Cuando los datos se ajustan estacionalmente, los estadísticos esperan anular el ruido estacional utilizando un enfoque basado en modelos. Desafortunadamente, estos modelos sólo funcionarán si el patrón estacional es estable, lo cual no siempre es así. Para evitar un sesgo, el ajuste estacional tiene que hacerse de una manera no causal. El ajuste estacional es más un arte que una ciencia. Una lista más formal de los defectos del filtro de HP Ahora voy a dar una crítica más formal de los problemas con el filtro de HP. No causalidad. Como se discutió anteriormente. Cantidad desconocida de puntos no válidos en los extremos del intervalo. Este problema es extremadamente crítico no sabemos dónde están los datos basura. Computacionalmente intensiva. Recursos de desechos. Implementación de caja negra. Es difícil ver cuáles son las propiedades de esta solución, a diferencia de las alternativas que tienen representaciones de dominio de frecuencia limpias. Parámetro de entrada mágica. Es muy difícil ver lo que representa el parámetro lambda. (Sí, hay una historia detrás de ella, pero todavía no es particularmente útil cuando se compara con los filtros digitales sensatamente diseñados. La historia se basa en insumos arbitrariamente largos, que no es exactamente una característica de las series económicas ral-world.) No hay Ventajas del filtro HP sobre una media móvil centrada, y tiene las desventajas enumeradas anteriormente. Uno puede utilizar un filtro de respuesta de impulsos finitos (FIR) no causal más general para obtener una respuesta de dominio de frecuencia más suave que el promedio móvil centrado si lo desea, pero eso requeriría examinar un texto de pregrado en el sistema de comunicaciones digitales para comprender cómo Forma la respuesta del filtro. Centrado versus centrado La primera ortografía sería la preferencia americana, mientras que el segundo inglés. Sigo los patrones de ortografía canadienses, que cambian irregularmente entre el uso americano y el inglés, lo que probablemente hace que las personas de ambos lados del Atlántico crean que no puedo deletrear. En cuanto al centro, el uso en Canadá parece estar a la deriva hacia una vista que centro se refiere a un edificio, mientras que el centro es el punto en medio de algo. Por lo tanto, usted podría ver una frase como El centro comercial está en el centro del mapa. Puesto que centrado se ve demasiado centavo-rojo, palillo de la enfermedad con centrado. (C) Brian Romanchuk 2015 Estoy de acuerdo con algunos de sus puntos, especialmente que la forma en que el filtro fue diseñado casi garantiza que los valores en los extremos, para una definición de los fines, no son confiables. Sin embargo, algunas de sus otras preocupaciones son incorrectas. Compruebe aquí para una derivación del número mágico 1600. karlwhelan / MAMacro / part5.pdf Miré la referencia que requiere tragar un quotit se puede demostrar que, una frase que estoy apreciando menos como me convierto en un curmudgeon más viejo (quotShow Mequot es mi respuesta). Voy a ajustar mi fraseo en el artículo para ser un poco menos sarcástico, e incorporar su referencia. En cualquier caso, no caracterizaría mi texto original como quotincorrect, quot rather quotunfair. quot Si el parámetro es 800 y no 1600, ¿qué significa eso realmente Who knows. Pero si usted toma un filtro sensible (como un filtro de Butterworth, o algo así como un promedio móvil), usted sabe exactamente lo que representan los parámetros. Si usted no entiende exactamente lo que está haciendo, es muy fácil hacer algo estúpido. Y he visto muchas aplicaciones estúpidas del filtro de HP en la práctica. Moviendo los filtros medios Las medias móviles son propensas a los whipsaws, cuando el precio cruza hacia adelante y hacia atrás a través de la media móvil en un mercado que se extiende. Los comerciantes han desarrollado una serie de filtros a lo largo de los años para eliminar señales falsas. El sistema de media móvil más simple genera señales cuando el precio cruza la media móvil: Ir largo cuando el precio cruza por encima de la media móvil desde abajo. Ir corto cuando el precio cruza por debajo de la media móvil de arriba. Los filtros se agregan para medir objetivamente cuando el precio ha cruzado la media móvil. Los filtros más comunes son: Precio de cierre: uno o dos días sucesivos deben cerrarse por encima o por debajo del promedio móvil. La barra entera debe cruzar el promedio móvil. Dos o tres barras (en sucesión) deben estar libres de la media móvil El promedio móvil debe inclinarse en la dirección del precio típico del comercio. El precio medio o el cierre ponderado también se pueden utilizar como sustitutos del precio de cierre. Las operaciones sólo se introducen si el promedio móvil se inclina en la dirección del comercio. Este filtro no funcionará con promedios móviles exponenciales porque la media móvil exponencial siempre se inclina cuando el precio cierra por encima de la media móvil y se inclina si cierra por debajo. Salir cuando el precio vuelve a cruzar el promedio móvil. Moving Average Slope se puede utilizar junto con otros filtros, como el precio de cierre. Ejemplo La media móvil simple se utiliza con dos filtros: Pase el mouse sobre los subtítulos de los gráficos para mostrar las señales comerciales. Ir corto - dos se cierra por debajo de una media móvil descendente. El promedio de largo plazo está subiendo y el precio ha cerrado por encima del promedio móvil durante 2 días. La siguiente inmersión por debajo de la media móvil (a principios de enero) es filtrada. Se sale del comercio largo ya que hay dos cierres por debajo de la media móvil. No hay comercio corto se introduce como la media móvil se inclina hacia arriba. Ir largo - dos se cierra por encima de un promedio móvil en ascenso. Ir corto ya que hay dos cierra por debajo de una media móvil descendente. Ir largo - dos se cierra por encima de un promedio móvil en ascenso. Ir corto - dos se cierra por debajo de una media móvil descendente. Va de largo - el promedio móvil está subiendo otra vez y hay 2 se cierra encima de él. Obsérvese cuán rentable es el comercio largo 2 durante la fuerte tendencia al alza, en comparación con cuando el precio cae en torno a la media móvil relativamente plana. Frecuentemente cambiando usted dentro y fuera de oficios. Los indicadores de tendencia normalmente no son rentables, y deben ser evitados, durante los mercados de alcance. Únase a nuestra lista de correo Lea el boletín de Diario de comercio de Colin Twiggsrsco, que ofrece un análisis fundamental de la economía y el análisis técnico de los principales índices del mercado, el oro, el crudo y los forex. Moving Promedios en R A mi leal saber, R no tiene un built - En función de calcular promedios móviles. Usando la función de filtro, sin embargo, podemos escribir una función corta para medias móviles: Podemos utilizar la función en cualquier dato: mav (data), o mav (data, 11) si queremos especificar un número diferente de puntos de datos Que el predeterminado 5 trazado funciona como se espera: plot (mav (datos)). Además del número de puntos de datos sobre los cuales se puede hacer un promedio, también podemos cambiar el argumento de las funciones del filtro: sides2 usa ambos lados, sides1 usa sólo valores pasados. Comparta esta: Navegación de anuncios Navegación de comentarios Navegación de comentarios