anon, сначала можно попробовать увидеть этот факт, какой эксперимент покажет это, например на исторических дневных ценах.

Короче, по простому, товары на маркетплейсах подорожают, потому что маркетплейсам надо будет платить налог почте и чиновникам.

Не только SAAS не нужны, сами программы, большая их часть, больше не нужны.

anon, про фиттинг без подглядывания:

Для оценки точности предсказания нужно out-of-sample predictive likelihood p(y[t+1] | y[1:t], θ) t in [1:T].

Теоретически MCMC может это сделать, практически нет, это потребует полного рефиттинга MCMC для каждой точки из тысяч, что займет месяцы расчетов. MCMC не может эффективно работать как онлайн алгоритм.

GARCH, Фильтр Калмана, и т.п. — могут, это эффективные алгоритмы для онлайн фильтрации, но они не работают в случае нелинейных моделей со скрытыми состояниями. Для этого нужен Particle Filter.

Модель SV в MCMC внешне выглядит рекуррентно, якобы последовательно шагая от 1..T, похоже на фильтр. Но
MCMC работает совершенно по другому и делает сглаживание сразу по всем данным. Алгоритм MCMC во время фиттинга
сливает эту рекурсию в единое распределение и рассматривается все точки 1..T одновременно. Т.е. MCMC подглядывает в будущее.

Строго говоря фильтрация тоже подглядывает в будущее, но только для оценки параметров. Сглаживание подглядывает в будущее и для параметров и для скрытых переменных.

Чтобы точно расчитать out of sample likelihood нужно: 1) сделать фиттинг модели MCMC используя данные [1: Т] 2) затем взять постериор полученных параметров, выкинув постериор скрытых состояний, и рассчитать последовательно скрытое состояние для каждой точки t in [1:T] через Particle Filter 3) Либо, поскольку Particle Filter сложная вещ и требует много усилий, сделать приближенную оценку через PSIS-LOO, но, он вроде как, плохо работает для экстремальных режимов, и годится только для оценки «в среднем», поэтому эта оценка условна.

За ваше предложение спасибо, пока обдумываю… чуть позже прокомментирую...

StarDust, домик у моря с минимум ВНЖ/ПМЖ конечно. Иначе конечно смысла нет.

anon, SV с прыжками, вроде близко к тому что надо, это то что она генерит (параметры условны, не реальные), посмотрим... 

anon, приветствую, благодарю за подробное обьяснение.

ЦЕЛЬ:

— Визуально похоже на VIX или другие меры волатильности RV, |r| и т.п. У них очень характерный вид — кластеры, резкий рост волатильности и асимметричный медленный спад. Тест — визуальная оценка графикя.
— Маржинальное распределение log r должно быть боль менее похоже на TDist. Это сложно сделать, поскольку волатильность должна быть нужно regular varying, просто прыжки могут не дать этого. Это не очень критично, но было бы хорошо иметь. Тест сравнение распределения симуляции с TDist, например, QQ plot.
— Маржинальное распределение должно иметь экспоненту тяжелых хвостов болье менеее близкую к тому что на реальных данных.
— Автокорреляция |r| должна быть боль менее похожа на реальную.

СЛОЖНОСТИ:

— Симуляция прыжка добавляет 2-3 параметров в модель (особенно если с
self-esciting). И что гораздо хуже, они подбираютсяна экстримальных режимах, которых в реальных данных очень мало. Т.е. что там за параметры подберуться после фиттинга, непонятно. И какие они должны быть, чтоб задать вручную — тоже не очень понятно. Я таки думаю в полу ручном режимеболь менее что то разумное подобрать и зафиксировать в узких пределах.
— MCMC фиттинг оч медленный, фиттинг 3-10к точек данных занимает 15-1ч, сильно тормозит прогресс.

СЛОЖНОСТЬ КОЛМОГОРОВА:

Да, хорошая идея, я знал про него но больше как некую абстрактную концепцию, мало применемую на практике. Связь с BIC/AIC интересна, я все собираюсь почитать что нить по теории информации и т.п., но все никак не осилю.

Я пока на этапе когда SV модели не проходя базовую проверку на визуальное сходство с реальными данными. До BIC/AIC еще не дошел.

И, правдоподобие для SV модели — его же не посчитать просто так. MCMC фиттинг это сглаживание (с заглядыванием в будущее, весь интервал 1-T). А правдоподобие требует фильтрации (без заглядывания в будущее, только 1-t).

MCMC что я использую STAN этого неделает. Нужен Particle Filter что вообще отдельная тема. Поэтому про оценку моделей — пока что чисто интуитивно и умозрительно. Есть примерная оценка PSIS-LOO, она вроде достатоно точна для оценки «в среднем» но я не очень понимаюнасколько она хороша для экстремальных режимов.

Вобщем, пока что оценка модели: понятная структура с минимумом параметров + интуитивная визуальная оценка + посмотреть что она генерит совпадает по моментам с реальными данными + PSIS-LOO.

Александр Сережкин, да. Но мне кажется нужно использовать более реалистичные модели.

Вывод — судяпо всему многие SV модели не совсем пригодны для прогноза цены на N шагов вперед.

Особенно если нужна оценка рисков и сюрпризов.

Dachnik, я поэтому условно назвал тему «недоступная недвига». Люди жалуются что покупать картошку в магазине по 1000р дорого. И при этом не желают сами выращивать ее на огороде за 10р.

Dachnik, да. Я поэтому и удивился что человек хочет просто отдать 7-10 млн кому то. Вместо того чтобы построить сам.

Грубо говоря ты приходишь на рынок а там картошка стоит 1000р за штуку. И спрашивается зачем она нужна по таким ценам, когда ты можешь вырастить ее за бесплатно сам на огороде.

StarDust, я имел ввиду что если дом для себя. Не как актив и не с целью перепродать и сделать деньги. Какая разница сколько он стоит и насколько он ликвиден и вырастет или упадет в цене если ты не собираешся его продавать.

Ну а про особенности РФ, конечно домик у моря в Европе лучше. 

Игнатий, конечно, проект, контроль, закупка и привоз материалов, инструментов, техники, однозначно делать самому, без вариантов. Но я не считаю это проблемой, это небольшие затраты времени и усилий.

StarDust, конечно, сберегатели в рублях или долларах всегда финансируют тех кто рубли или доллары тратит :).

Но я имел ввиду, зачем вообще участвовать в этой игре? Когда есть вариант лучше.

Игнатий, хммм, я не занимаюсь строительством и т.п. и, но в детстве помогал строить несколько гаражей и два дома, и знаком на базовом уровне с основными работами. По моим оценкам, я бы завершил ремонт такого дома за год два. Если же нанять людей для работ, то сам больше присматриваешь, сам редко что то делаешь. Приключений особо и нету…

Кекиус Максимус, я бы сказал из этих проблем серьезные только: если проблемы типа подтопления или трещин фундамента/стен, это просто не исправить. И юридические моменты, типа обременений, но эти вещи можно и нужно проверять до покупки.

Dachnik, на том участке рядом нет соседей, там растительность, кусты, дома следущие через заросли нет прямой видимости. Это один из плюсов на мой взгляд.

Переключая каналы, да у многих людей в поселках 10млн не проблема, своя квартира (которая пойдет в продажу и в стоимость новой), плюс какой никакой недострой, гаражики, разная техника, настоящий механик найдет как решить вопрос :).

22022022, «заброшка с захламленным участком» это ее текущее состояние. После ремонта это будет совершенно другой вариант. 

Op_Man💰, приветствую, еще не калибровал, опробую на днях. Мне она нужна для SV модели, я хотел связать инновации прибыли и волатильности .

Я хочу получить симуляцию случ процесса цены акции близкий к реалтному.

Про Out of Sample, параметров слишком много, и просто свободный фиттинг мне кажется работать не будет. Я собираюсь часть параметров подобрать полу-вручную и зафиксировать как гиперпараметры.

Мне так кпжется…