Diskussion zum Artikel "Integration von Hidden-Markov-Modellen in MetaTrader 5"
" Mindestens ein zweidimensionales Array wird als Eingabedaten erwartet. " - was soll in dieses Array eingegeben werden? Die üblichen Prädiktorenwerte?
Ich verstehe nicht, ob es während des Trainings eine automatische Auswahl der Prädiktoren gibt oder nicht?
Wenn die Prädiktoren unterschiedliche Verteilungen haben, was ist dann damit?
Gibt es eine Einstellung für die Anzahl der Prädiktorsplits (Quantisierung)?
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 Integration von Hidden-Markov-Modellen in MetaTrader 5 :
In diesem Artikel zeigen wir, wie mit Python trainierte Hidden Markov Modelle in MetaTrader 5 Anwendungen integriert werden können. Hidden-Markov-Modelle sind ein leistungsfähiges statistisches Instrument zur Modellierung von Zeitreihendaten, bei denen das modellierte System durch nicht beobachtbare (verborgene) Zustände gekennzeichnet ist. Eine grundlegende Prämisse von HMMs ist, dass die Wahrscheinlichkeit, sich zu einem bestimmten Zeitpunkt in einem bestimmten Zustand zu befinden, vom Zustand des Prozesses im vorherigen Zeitfenster abhängt.
Hidden-Markov-Modelle sind ein leistungsfähiges statistisches Instrument zur Modellierung von Zeitreihendaten, bei denen das modellierte System durch nicht beobachtbare (verborgene) Zustände gekennzeichnet ist. Eine grundlegende Prämisse von HMMs ist, dass die Wahrscheinlichkeit, sich zu einem bestimmten Zeitpunkt in einem bestimmten Zustand zu befinden, vom Zustand des Prozesses im vorherigen Zeitfenster abhängt. Diese Abhängigkeit stellt das Gedächtnis eines HMM dar.
Im Zusammenhang mit finanziellen Zeitreihen könnten die Zustände darstellen, ob eine Reihe aufwärts oder abwärts tendiert oder innerhalb einer bestimmten Spanne schwankt. Jeder, der schon einmal mit einem Finanzindikator gearbeitet hat, kennt den „Whipsaw“-Effekt, der durch das Rauschen in den Finanzzeitreihen verursacht wird. Ein HMM kann eingesetzt werden, um diese falschen Signale herauszufiltern und ein klareres Verständnis der zugrunde liegenden Trends zu ermöglichen.
Um ein HMM zu erstellen, benötigen wir Beobachtungen, die die Gesamtheit des Verhaltens erfassen, das den Prozess definiert. Diese Datenprobe wird verwendet, um die Parameter des entsprechenden HMM zu lernen. Dieser Datensatz würde sich aus verschiedenen Merkmalen des zu modellierenden Prozesses zusammensetzen. Wenn wir zum Beispiel die Schlusskurse eines finanziellen Vermögenswerts untersuchen, könnten wir auch andere Aspekte einbeziehen, die mit dem Schlusskurs zusammenhängen, wie verschiedene Indikatoren, die idealerweise dazu beitragen, die verborgenen Zustände zu definieren, an denen wir interessiert sind.
Der Prozess des Lernens der Modellparameter erfolgt unter der Annahme, dass sich die modellierte Reihe immer in einem von zwei oder mehr Zuständen befindet. Die Zustände werden einfach mit 0 bis S-1 bezeichnet. Für diese Zustände müssen wir eine Reihe von Wahrscheinlichkeiten zuordnen, die die Wahrscheinlichkeit erfassen, dass der Prozess von einem Zustand in einen anderen wechselt. Diese Wahrscheinlichkeiten werden gewöhnlich als Übergangsmatrix bezeichnet. Die erste Beobachtung hat einen speziellen Satz von Anfangswahrscheinlichkeiten für jeden möglichen Zustand. Befindet sich eine Beobachtung in einem bestimmten Zustand, so wird erwartet, dass sie einer bestimmten Verteilung folgt, die mit diesem Zustand verbunden ist.
Ein HMM ist also durch vier Eigenschaften vollständig definiert:
Autor: Francis Dube