Discusión sobre el artículo "Implementando el algoritmo de aprendizaje ARIMA en MQL5"
Si Y es la serie temporal, ¿cómo puedo encontrar la matriz Y moldeada a partir del código que me has proporcionado?
Ramzi D serie temporal, ¿cómo puedo encontrar la matriz Y moldeada a partir del código que me has proporcionado?
double y[];//rellenar y con datos de la serie----- //crear instancia CArima CArima arima; //tren arima.fit(y,p,d,q,use_constant_offset); // p , d y q son los parámetros del modelo que debe decidir , use_constant_offset es un booleano que especifica el uso de una constante en el modelo, el método devuelve true en caso de éxito, si es true entonces el modelo está construido, entonces puede ser utilizado para hacer predicciones
Si tiene dificultades, especifique dónde se pierde.
Está perdiendo oportunidades comerciales:
- Aplicaciones de trading gratuitas
- 8 000+ señales para copiar
- Noticias económicas para analizar los mercados financieros
Registro
Entrada
Usted acepta la política del sitio web y las condiciones de uso
Si no tiene cuenta de usuario, regístrese
Artículo publicado Implementando el algoritmo de aprendizaje ARIMA en MQL5:
En este artículo, implementaremos un algoritmo que aplica un modelo autorregresivo de media móvil integrada (modelo Box-Jenkins) utilizando el método de minimización de la función de Powell. Box y Jenkins argumentaron que la mayoría de las series temporales se pueden modelar con una o ambas estructuras.
parte más fácil del trabajo, a diferencia de la definición de un buen modelo.
Dos herramientas útiles para la obtención de un modelo adecuado son el cálculo de la autocorrelación y la autocorrelación parcial de la serie estudiada. Veamos cuatro series hipotéticas para ayudar a los lectores a interpretar los gráficos de autocorrelación y autocorrelación parcial.
y(t) = AR1* y(t-1) + E(t) (3)
y(t) = E(t) - AR1 * y(t-1) (4)
y(t) = MA1 * E(t-1) + E(t) (5)
y(t) = E(t) - MA1 * E(t-1) (6)
(3) y (4) son procesos AR(1) puros con coeficientes positivos y negativos, respectivamente. (5) y (6) son procesos MA(1) puros con coeficientes positivos y negativos, respectivamente.
Las imágenes de arriba muestran las autocorrelaciones (3) y (4), respectivamente. En ambos gráficos, los valores de correlación se vuelven más pequeños a medida que aumenta el retardo. Esto tiene sentido porque el efecto del valor anterior sobre el valor actual disminuirá a medida que se avance en la serie.
Autor: Francis Dube