σμimplied vol · KKmax(S−K,0)udβρᵢⱼfat tailsPnL · drawdownyield · TdSₜ = μSₜ dt + σSₜ dWₜC = S·N(d₁) − K·e⁻ʳᵀ·N(d₂)σₚ² = wᵀΣwd₁ = [ln(S/K) + (r + σ²⁄2)T] ⁄ σ√T∂V/∂t + ½σ²S²·∂²V/∂S² + rS·∂V/∂S − rV = 0Sharpe = (Rₚ − R_f) ⁄ σₚVaR₉₉ = μ − 2.33σρ = Cov(X,Y) ⁄ σₓσᵧE[Rₚ] = Σ wᵢ·E[Rᵢ]φ(x) = e^(−x²/2) ⁄ √2πE[Rᵢ] = R_f + βᵢ(E[Rₘ] − R_f)dXₜ = θ(μ − Xₜ)dt + σ dWₜσ²ₜ = ω + α·ε²ₜ₋₁ + β·σ²ₜ₋₁C − P = S − K·e⁻ʳᵀΔ = ∂V/∂S Γ = ∂²V/∂S²p = (e^(rΔt) − d) ⁄ (u − d)rₜ = ln(Pₜ ⁄ Pₜ₋₁)E[Xₜ₊₁ | ℱₜ] = Xₜf* = (bp − q) ⁄ bz = (x − μ) ⁄ σP(N=k) = λᵏe^(−λ) ⁄ k!Θ = −∂V/∂Tν = S·φ(d₁)·√Tmin wᵀΣw s.t. wᵀμ = μ*∫Σ∂∞λ
uantCraft AcademyHojas de rutaRutas
Ctrl K
AO
+1,2 k estudiantes
Iniciar sesiónUnirse ↗
Hojas de rutaRutas
AO
+1,2 k estudiantes
Iniciar sesión
  • English
  • Français
  • Español
  • العربية
  • Português
  • Deutsch
  • 日本語
  • 中文
σμimplied vol · KKmax(S−K,0)udβρᵢⱼfat tailsPnL · drawdownyield · TdSₜ = μSₜ dt + σSₜ dWₜC = S·N(d₁) − K·e⁻ʳᵀ·N(d₂)σₚ² = wᵀΣwd₁ = [ln(S/K) + (r + σ²⁄2)T] ⁄ σ√T∂V/∂t + ½σ²S²·∂²V/∂S² + rS·∂V/∂S − rV = 0Sharpe = (Rₚ − R_f) ⁄ σₚVaR₉₉ = μ − 2.33σρ = Cov(X,Y) ⁄ σₓσᵧE[Rₚ] = Σ wᵢ·E[Rᵢ]φ(x) = e^(−x²/2) ⁄ √2πE[Rᵢ] = R_f + βᵢ(E[Rₘ] − R_f)dXₜ = θ(μ − Xₜ)dt + σ dWₜσ²ₜ = ω + α·ε²ₜ₋₁ + β·σ²ₜ₋₁C − P = S − K·e⁻ʳᵀΔ = ∂V/∂S Γ = ∂²V/∂S²p = (e^(rΔt) − d) ⁄ (u − d)rₜ = ln(Pₜ ⁄ Pₜ₋₁)E[Xₜ₊₁ | ℱₜ] = Xₜf* = (bp − q) ⁄ bz = (x − μ) ⁄ σP(N=k) = λᵏe^(−λ) ⁄ k!Θ = −∂V/∂Tν = S·φ(d₁)·√Tmin wᵀΣw s.t. wᵀμ = μ*∫Σ∂∞λ
uantCraft AcademyHojas de rutaRutas
Ctrl K
AO
+1,2 k estudiantes
Iniciar sesiónUnirse ↗
Hojas de rutaRutas
AO
+1,2 k estudiantes
Iniciar sesión
  • English
  • Français
  • Español
  • العربية
  • Português
  • Deutsch
  • 日本語
  • 中文
Ruta de statsmodels›Módulo 2 · Modelos de series temporales›Tema 2.3·~55 minAvanzado

Pronósticos SARIMAX juzgados fuera de muestra

Posición en la rutaMódulo 2 de 3 · Tema 3 de 9
2.3 Pronósticos SARIMAX juzgados fuera de muestra
—Puntuación del lab— / 100XP total—Racha—

Un pronóstico vale lo que vale su prueba

Un modelo ARIMA(p,d,q) explica una serie yₜ con su propio pasado y con perturbaciones pasadas, tras diferenciar d veces: con d=0, un AR(1) es yₜ=c+φ yₜ₋₁+eₜ, revierte a la media si |φ|<1 y su media de largo plazo es μ=c/(1-φ). SARIMAX(y, order=(p, d, q), trend='c') lo ajusta por máxima verosimilitud; trend='c' añade la constante, que solo tiene sentido con d=0 (una serie diferenciada no tiene un nivel al que volver). El objeto ajustado da params, aic y get_forecast(steps). El AIC =2k-2ln L equilibra ajuste y número de parámetros k; entre candidatos ajustados a los mismos datos se prefiere el AIC más bajo, pero solo una diferencia de varios puntos significa algo. Para la log-volatilidad mensual de SPY, un ARMA(1,1) (AIC 271,9) y un AR(2) (272,7) superan por poco al AR(1) (275,0), y diferenciar es mucho peor (290,5).

El ajuste en la muestra dice poco sobre el pronóstico. La prueba honesta es el origen móvil: en cada origen t₀, ajuste solo con y_1..t₀, pronostique h pasos y compare con el valor que realmente llegó, y_(t₀+h). Reúna los errores y puntúelos con el RMSE, √(media(e²)). Incluya siempre referencias: el pronóstico ingenuo (el último valor) y la media histórica. La habilidad 1-RMSE_modelo/RMSE_referencia es positiva cuando gana el modelo. Aquí, a un mes el AR(1) tiene un RMSE de 0,373 frente a 0,451 (ingenuo) y 0,419 (media): habilidad 0,17 y 0,11. A doce meses su RMSE es 0,526, idéntico al de la media, y su habilidad sobre el ingenuo (0,34) solo viene del fallo del ingenuo: el pronóstico AR(1) simplemente ha decaído a la media, de -2,09 a -2,01. Saber con qué rapidez un pronóstico revierte a la media dice hasta dónde sabe algo el modelo.

  • Constante solo sin diferenciar; compare órdenes por AIC y confíe solo en diferencias de varios puntos.
  • Origen móvil: reajuste en cada origen solo con datos pasados; nunca puntúe un pronóstico con datos que vio el ajuste.
  • Gane siempre a una referencia: el pronóstico ingenuo y la media histórica; habilidad 1-RMSEₘ/RMSE_b.

Lab: qué se califica

  • El ajuste SARIMAX10 pts
  • Pronósticos puntuales10 pts
  • Comparar órdenes15 pts
  • Errores de orígenes móviles25 pts
  • El RMSE5 pts
  • Habilidad de pronóstico10 pts
  • El estudio de la volatilidad25 pts
Explorador · lab-sx-16
▾ lab-sx-16
▾ data
…
bash · en el navegador
learner@quantcraft:~/lab-sx-16$
Python aún no cargadoPythonLn 1, Col 1Spaces: 4UTF-8

¿Restablecer este tema?

Todo lo que hay en lab-sx-16 vuelve a los archivos iniciales y se limpia el terminal. Tu solución actual se perderá: no se puede deshacer.

Se restablecerá
  • main.py → código inicial
  • Historial del terminal y salida de pruebas
  • Cambios sin enviar
Se conservará
  • Mejor puntuación del lab
  • Tu XP y tu racha
  • Progreso de la lección y notas

Inicia sesión para ejecutar tu código.

Todas las clases se pueden leer gratis. Crea una cuenta o inicia sesión para ejecutar código, lanzar las pruebas y enviar este lab.

  • IDE en el navegador con terminal bash — sin instalar nada
  • Corrección instantánea, XP y tu lugar en la ruta
Crear una cuentaIniciar sesión
O
Continuar con GitHub