Модель должна давать 2 цифры для прогноза
Прогноз и Уверенность. Как распределение N(х, uncertainty) (распределение будет нормальным).
Это то что позволит модели пропускать события в которых она не уверена и делать ставки только если есть высокая уверенность в исходе.
Например, при прогнозе волатильности, есть отличия в точности прогноза когда недавняя вол > исторической (предсказывает лучше) и историческая > недавней (предсказывает хуже).
И делать ставки (напр. продавать опционы) только в случаях когда уверенность высокая.
Собственно, это давно известно, в том числе как распределения для байесовских параметров. Но часто забываешь, и смотришь на «итоговый» скоринг предсказания, забывая посмотреть в деталях, возможно он предсказывает некие специфические случаи намного лучше и имеет смысл заняться ими подробней.
|С — С(-1)| (по модулю) будет больше/меньше |С(-1) — С(-2)|
или |С — С(-1)|><недавняя вол
или что?
«недавняя вол > исторической» уверенный прогноз:
Vol[log return]=N(mu=0.15, sigma=0.1)
«недавняя вол < исторической» неуверенный прогноз:
Vol[log return]=N(mu=0.15, sigma=0.2)
«Уверенность» это дисперсия для предсказываемого параметра (волатильности в нашем случае), когда уверены, сигма 0.1, когда не уверены она больше 0.2 (цифры условны). Сам прогноз 0.15 может одинаков в обоих случаях
Когда «недавняя вол < исторической» цены во флете, приращения цены во флете сами по себе малы и дисперсия, которую вы называете уверенностью тоже априори должна быть меньше (прогноз точнее), чем при «недавняя вол > исторической»
Большой Брат, не могу сказать точно, нужно смотреть. Скорей всего не много. Думаю ошибка большая в итоге получается потому что Likelihoid очень сильно наказывает такие ошибки — когда ожидал невысокую волатильность а оказалась высокая. И малое число таких ошибок могут перевесит большее число корректно угаданной низкой волатильности.
Если вы хотите посчитать я могу выложить (завтра) данные и питоновский код.
// Я разные индикаторы использовал, один лучше когда больше, другой наоборот, и ошибся между ними, посчитав наоборот.