Sign in Subscribe

Predict

A collection of 48 posts
銅期貨在市場中的領先作用
Economic

銅期貨在市場中的領先作用

TAIEX dynamic simulation 0:00 /1:04 1× 銅價波動是否領先股市？最新研究揭示銅期貨在市場中的領先作用 【台北訊】在全球經濟風險增加及市場波動不斷的背景下，銅期貨價格逐漸被視為全球經濟活動的重要指標。一項最新研究表明，銅價不僅與全球市場密切相關，還可能是台灣股市加權指數（TAIEX）走勢的領先指標。運用了代理人建模技術，揭示了銅期貨、股市與新聞情緒指數三者之間的複雜互動。 研究背景：銅價的經濟風向標地位 銅，由於其在全球工業生產和基礎設施中的關鍵地位，早已成為全球經濟的「晴雨表」。經濟學家和市場分析師一直關注銅價的波動，以此作為未來經濟增長或衰退的先行指標。然而，是否能通過銅價變動來準確預測股市，這一直是金融市場中的重要議題。 研究方法：代理人建模與數據分析技術的結合 該研究團隊使用了先進的代理人建模技術，模擬市場參與者如何根據銅價波動、台灣加權指數變化以及新聞情緒指數來做出決策。研究數據涵蓋2022年至2024年期間的日常數據，並將全球多個重大事件納入
4 min read
Boostrap sampling and estimation
Predict

Boostrap sampling and estimation

在 Stata 中進行 10,000 次重複的引導回歸（Bootstrap Regression），並設置隨機種子為 123456 bootstrap _b, reps(10000) seed(123456): reg az100k pop_65y_pct primaryedu_year hyperten_100k depress100k nonhdl_mgdl i.year 這裡每部分的解釋是： * bootstrap _b：指定對回歸係數（_b）進行引導抽樣。 * reps(10000)：表示進行 10,000 次重複抽樣。 * seed(123456)：設置隨機種子，確保結果可重現。 * reg az100k pop_65y_
3 min read
How to Construct Monthly VAR Proxies Based on Daily Futures Market Surprises
Predict

How to Construct Monthly VAR Proxies Based on Daily Futures Market Surprises

如何構建基於每日期貨市場波動的月度VAR代理變量 Author :Lutz Kilian Publication Details Working Paper 2310, July 2023 Federal Reserve Bank of Dallas DOI: https://doi.org/10.24149/wp2310 摘要 本文提出了一種新方法，通過基於每日期貨市場意外構建月度代理變量，旨在提高月度向量自我回歸（VAR）模型中外部工具的準確性。傳統上，研究通常將每日意外累積，忽略了每日價格數據與月度平均價格數據之間的會計關聯，這可能導致偏差。本文引入了修正的代理變量構建方式，重新審視OPEC公告對全球石油市場的衝擊，並得出了與以往研究不同的估計結果。 主要貢獻 1. 改進的代理變量構建方法：本文修正了將每日意外累積為月度代理變量的方法，考慮了每日數據對月度平均價格的動態影響，從而更準確地反映了市場變動。 2. 更精確的需求和供應衝擊分析：傳統觀點認為OPEC公告主要影響供應，然而本文的研究表明，OPEC公告在很大程度上反映了石油需求的變動，顯示出需求衝擊的
4 min read
What Kind of Music Do You Like? A Statistical Analysis of Music Genre Popularity Over Time
Predict

What Kind of Music Do You Like? A Statistical Analysis of Music Genre Popularity Over Time

Review-1974至2018年間流行音樂類型的受歡迎程度， Title What Kind of Music Do You Like? A Statistical Analysis of Music Genre Popularity Over Time Authors Aimée M. Petitbon, David B. Hitchcock Publication Details Journal of Data Science, 20(2), 168–187, April 2022 DOI: https://doi.org/10.6339/22-JDS1040 摘要 本文分析了1974至2018年間流行音樂類型的受歡迎程度，利用Billboard Hot 100榜單和Village Voice
3 min read
**NXS1.0_TAIEX_HeatMap Analysis
Predict

**NXS1.0_TAIEX_HeatMap Analysis

高度相關的變數 這些變數與 Adj_Close_TAIEX 具有高度的正相關或負相關。 1. Close_TAIEX * 相關係數：1.00 * 解釋：Close_TAIEX 與 Adj_Close_TAIEX 本質上是相同的數據，因此完全相關。 2. Middle_Band * 相關係數：0.99 * 解釋：Middle_Band 通常是布林帶的中軌，通常是價格的移動平均值，因此與 Adj_Close_TAIEX 具有高度相關性。 3. Upper_Band 和 Lower_Band * 相關係數：0.96 和 0.97 * 解釋：
4 min read
NXS1.0_TAIEX_Future Engineering
Predict

NXS1.0_TAIEX_Future Engineering

* 掛載 Google Drive：確保數據集已經掛載。 * 讀取數據集：從指定路徑讀取數據集。 * 生成技術指標：計算移動平均線、相對強弱指數和布林帶。 * 生成衍生變數：計算價格變動百分比和成交量變化率。 * 標準化特徵：使用 z-score 標準化特徵。 * 處理空值：使用前向填充和後向填充的方法填補空值。 * 保存處理後的數據：將處理後的數據保存到新的 CSV 文件中。 * 原始特徵：Date, ST_Code, ST_Name, Open, High, Low, Close, Adj_Close, Volume 等。 * 技術指標：SMA_10, SMA_20, RSI_14, BBL_20_2.0, BBM_20_2.0,
3 min read
CPBL,Pitcher Pan's Performance, 372 Games,Machine Learning
Predict

CPBL,Pitcher Pan's Performance, 372 Games,Machine Learning

圖 4-3 顯示了ER、H和ERA_Delta這三個目標變量在四種不同模型（隨機森林、支持向量機、XGBoost和LSTM）中的預測表現。每一行代表一個目標變量，每一列代表一個模型。圖中的線條和指數平滑平均（EMA）分別顯示了實際值和模型預測值的變化趨勢。 隨機森林模型 隨機森林模型在ER、H和ERA_Delta上的預測表現如圖中第一列所示。實際值的波動較大，而預測值則相對平滑。隨機森林的EMA（紅色）與實際值的EMA（黑色）趨勢基本一致，表明該模型能夠較好地捕捉數據中的長期趨勢，但在一些高峰和低谷處存在一定的偏差。 支持向量機模型 第二列顯示了支持向量機模型的預測結果。相比其他模型，支持向量機在ER和H上的預測波動更大，這可能是因為該模型對數據的敏感性較高。雖然支持向量機的EMA（紅色）與實際值的EMA（黑色）基本保持一致，但在一些數值極端的點上，偏差仍然明顯。 XGBoost模型 XGBoost模型的預測結果如第三列所示。該模型在ER和H的預測上顯示出較好的表現，預測值與實際值的波動趨勢較為接近。XGBoost的EMA（紅色）與實際值的EMA（黑色）高度吻合，表明
11 min read