Diskussion zum Artikel "MQL5-Assistenten-Techniken, die Sie kennen sollten (Teil 12): Das Newton-Polynom"
Sie verpassen Handelsmöglichkeiten:
- Freie Handelsapplikationen
- Über 8.000 Signale zum Kopieren
- Wirtschaftsnachrichten für die Lage an den Finanzmärkte
Registrierung
Einloggen
Sie stimmen der Website-Richtlinie und den Nutzungsbedingungen zu.
Wenn Sie kein Benutzerkonto haben, registrieren Sie sich
Neuer Artikel MQL5-Assistenten-Techniken, die Sie kennen sollten (Teil 12): Das Newton-Polynom :
Das Newtonsche Polynom, bei dem aus einer Reihe von Punkten quadratische Gleichungen erstellt werden, ist ein archaischer, aber interessanter Ansatz für die Betrachtung einer Zeitreihe. In diesem Artikel versuchen wir zu untersuchen, welche Aspekte dieses Konzept für Händler von Nutzen sein könnten, und gehen auch auf seine Grenzen ein.
Die Zeitreihenanalyse spielt nicht nur eine wichtige Rolle bei der Unterstützung der Fundamentalanalyse, sondern kann auf sehr liquiden Märkten wie dem Devisenmarkt der Hauptfaktor für Entscheidungen darüber sein, wie man sich an den Märkten positioniert. Herkömmliche technische Indikatoren neigen dazu, dem Markt stark hinterherzuhinken, was sie bei den meisten Händlern in Ungnade fallen ließ, was zum Aufkommen von Alternativen führte, von denen die neuronalen Netze derzeit vielleicht die wichtigste sind. Aber was ist mit polynomieller Interpolation?
Sie bieten einige Vorteile, vor allem weil sie leicht zu verstehen und umzusetzen sind, da sie die Beziehung zwischen vergangenen Beobachtungen und zukünftigen Prognosen in einer einfachen Gleichung explizit darstellen. Dies hilft zu verstehen, wie sich vergangene Daten auf zukünftige Werte auswirken, was wiederum zur Entwicklung umfassender Konzepte und möglicher Theorien über das Verhalten der untersuchten Zeitreihen führt.
Da sie sowohl an lineare als auch an quadratische Beziehungen angepasst werden können, sind sie außerdem flexibel für verschiedene Zeitreihen und vielleicht noch relevanter für Händler, da sie in der Lage sind, mit verschiedenen Markttypen zurechtzukommen (z. B. zwischen schwankenden und trendigen oder volatilen und ruhigen Märkten).
Außerdem sind sie in der Regel nicht rechenintensiv und im Vergleich zu alternativen Ansätzen wie neuronalen Netzen relativ leicht. Das oder die in diesem Artikel untersuchten Modelle haben keinerlei Speicherbedarf, wie er beispielsweise bei einem neuronalen Netz besteht, bei dem je nach seiner Architektur die Speicherung einer Menge optimaler Gewichte und Verzerrungen nach jedem Training erforderlich ist.
Autor: Stephen Njuki