Diskussion zum Artikel "Prognose mit ARIMA-Modellen in MQL5"
Hallo Francis!
Da ich einen MQ4 EA konvertiere, der mehrere Durchschnittswerte verwendet, werde ich deinen Code studieren, um die beste Integration zu bestimmen und werde mich später wieder melden.
CapeCoddah
Ich habe alles getan, was ich konnte, um kein Ergebnis zu erhalten.
Der Artikel hat einen Screenshot von einem Tester beigefügt, der einen wilden Gewinnfaktor, aber einen niedrigen Erholungsfaktor hat. Was das sein kann und wie das Diagramm aussieht, ist ein Geheimnis.
Wenn der Autor es geschafft hat, etwas zu bekommen, muss es ein besonderes Geheimnis sein.
Die Einstellungen unterscheiden sich übrigens von dem, was im Artikel steht. Alles in allem ein seltsamer Inhalt.
Vielen Dank für Ihren sehr informativen Artikel. Kann ich mehr als einen Schritt voraussagen?
Ich vermute, dass es nicht ausreicht, die "Anzahl der Vorhersagen" zu erhöhen, oder?
@ndnz2018: habe vor kurzem folgende Klasse für ARIMA-Modell heruntergeladen: https://www.mql5.com/de/articles/12798
Ich war ordentlich irritiert, als ich sah, dass der Bot in mehreren Time-Frames Trefferquoten von über 90 % zeigte und zwar für simple AR-Modelle (20,1,0). Ich fand auch andere Beiträge im Netz, wo ARIMA-Modelle mit Genauigkeiten von über 90% vorgestellt wurden. Dabei kann man doch in jedem Buch über Finanzmathematik nachlesen, dass Zuwächse (Returns) keine signifikante Auto-Korrelation zeigen. Ich habe auch mal selbst die Auto-Korrelation Corr(r(t),r(t-d)) für verschiedene Lags ausgerechnet und es stimmt, da ist keine Korrelation. Wie kann das nun sein ? Ist vielleicht Auto-Korrelation im Falle von ARIMA-Modellen anders definiert ? Eigentlich dachte ich immer, das Autoregression eine simple Regression auf die vorigen Werte darstellt. Sehe ich das vielleicht zu einfach ?
Ich hoffe, mir kann jemand den Kopf waschen.
Vielen Dank im Voraus
ndnz
In dem Artikel gibt es doch einen EA. Lass den doch einfach mal auf einem Demo-Konto laufen und schau ob sich die Werte bestätigen.
- Freie Handelsapplikationen
- Über 8.000 Signale zum Kopieren
- Wirtschaftsnachrichten für die Lage an den Finanzmärkte
Sie stimmen der Website-Richtlinie und den Nutzungsbedingungen zu.
Neuer Artikel Prognose mit ARIMA-Modellen in MQL5 :
In diesem Artikel setzen wir die Entwicklung der CArima-Klasse zur Erstellung von ARIMA-Modellen fort, indem wir intuitive Methoden hinzufügen, die Vorhersagen ermöglichen.
Es ist allgemein bekannt, dass ARIMA-Modelle auf zeitlichen Abhängigkeiten in einem Datensatz beruhen. Um eine oder mehrere Vorhersagen zu treffen, müssen wir das Modell mit einer Reihe von Eingabedaten füttern. Die Spezifikation des Modells bestimmt die Mindestgröße der Eingangsreihen. Wenn man dies weiß, wird klar, dass bei unzureichenden Eingangsreihen keine Vorhersagen möglich sind oder zumindest die Vorhersagen das angewandte Modell nicht widerspiegeln werden. Die verschiedenen Arten von ARIMA-Modellen stellen unterschiedliche Anforderungen an die Größe der Eingangsreihen, die über die Ordnung des Modells hinausgehen.
Die Implementierung von Vorhersagen für reine autoregressive Modelle ist trivial, da nur Eingaben erforderlich sind, die der größten Verzögerung des Modells entsprechen. Gemischte Modelle, die gleitende Durchschnittswerte verwenden, verursachen Probleme bei der Erstellung von Prognosen. Wir haben noch keine aktuellen Fehler- oder Innovationsreihen. Um dieses Problem zu lösen, müssen wir zunächst entscheiden, wie die Anfangswerte der Fehler berechnet werden sollen.
Bei diesem Verfahren werden zunächst alle verfügbaren Modellparameter verwendet, um den Anfangszustand des Modells zu erhalten, bei dem alle Terme des gleitenden Durchschnitts ausgeschlossen sind, da sie in diesem Stadium als 0 angenommen werden. Anschließend werden die bekannten Zeitreihen zur Berechnung der anfänglichen Fehlerwerte verwendet, indem eine Reihe redundanter Vorhersagen durchlaufen werden, die nichts mit den endgültigen Vorhersagen zu tun haben, an denen wir letztendlich interessiert sind. Dies stellt natürlich höhere Anforderungen an die Anzahl der für die Vorhersage benötigten Eingaben. Entscheidend ist hier, wie viele redundante Vorhersagezyklen durchgeführt werden müssen, um geeignete Fehlerserienwerte für gültige Vorhersagen zu erhalten.
Autor: Francis Dube