Discusión sobre el artículo "Previsión usando modelos ARIMA en MQL5"
¡Hola Francis!
Como estoy convirtiendo un EA MQ4 que utiliza varios promedios, voy a estudiar tu código para determinar la mejor integración y me pondré en contacto contigo más adelante.
CapeCoddah
Hice todo lo que pude para no obtener ningún resultado.
El artículo ha adjuntado una captura de pantalla de un probador que tiene un factor de ganancia salvaje pero un factor de recuperación bajo. Qué puede ser y cómo es el gráfico es un secreto.
Si el autor consiguió algo, debe ser un secreto especial.
Por cierto, la configuración es diferente a la que aparece en el artículo. En definitiva, un contenido extraño.
Gracias por su artículo tan informativo. ¿Puedo predecir con más de un paso de antelación?
Supongo que aumentar el "NumberOfPredictions" no es suficiente, ¿verdad?
@ndnz2018: habe vor kurzem folgende Klasse für ARIMA-Modell heruntergeladen: https://www.mql5.com/es/articles/12798
Me irrité mucho cuando vi que el bot mostraba tasas de acierto superiores al 90% en varios marcos temporales para modelos AR simples (20,1,0). También encontré otros artículos en línea donde se presentaban modelos ARIMA con precisiones superiores al 90%. Sin embargo, se puede leer en cualquier libro de matemáticas financieras que los incrementos (rendimientos) no muestran ninguna autocorrelación significativa. También he calculado yo mismo la autocorrelación Corr(r(t),r(t-d)) para diferentes retardos y es cierto que no hay correlación. ¿Cómo es posible? ¿Acaso la autocorrelación se define de forma diferente en el caso de los modelos ARIMA? En realidad, siempre he pensado que la autorregresión es una simple regresión sobre los valores anteriores. ¿Estoy quizás viendo esto de forma demasiado simple?
Espero que alguien pueda aclararme las ideas.
Muchas gracias de antemano
ndnz
Hay un EA en el artículo. ¿Por qué no lo ejecuta en una cuenta demo y ver si se confirman los valores.
- Aplicaciones de trading gratuitas
- 8 000+ señales para copiar
- Noticias económicas para analizar los mercados financieros
Usted acepta la política del sitio web y las condiciones de uso
Artículo publicado Previsión usando modelos ARIMA en MQL5:
En este artículo, continuaremos el desarrollo de la clase CArima para construir modelos ARIMA añadiendo métodos de predicción intuitivos.
Es bien sabido que los modelos ARIMA se basan en las dependencias temporales del conjunto de datos, así que, para hacer una o varias predicciones, tendremos que dar al modelo una serie de datos de entrada. La especificación del modelo define el tamaño mínimo de la serie de entrada. Sabiendo esto, resulta obvio que si la serie de entrada es incorrecta, no podremos realizar predicciones, o al menos las predicciones no reflejarán el modelo aplicado. Los distintos tipos de modelos ARIMA tienen diferentes requisitos en cuanto al tamaño de la serie de entrada, además del orden del modelo.
La implementación de predicciones para modelos autorregresivos puros es trivial, ya que todo lo que se necesita son datos de entrada iguales al mayor retraso del modelo. Los modelos mixtos que usan los términos de media móvil plantean problemas a la hora de hacer previsiones. Aún no tenemos una serie real de errores o innovaciones. Para superar dicha limitación, primero deberemos decidir cómo se calcularán los valores de error iniciales.
Este proceso implicará el uso, en primer lugar, de los parámetros disponibles del modelo para obtener un estado inicial del modelo que excluya cualquier término de media móvil, ya que se supone que en esta fase son iguales a 0. A continuación, se utilizarán los valores conocidos de la serie para calcular los valores de error iniciales enumerando cíclicamente una serie de predicciones redundantes. Estas proyecciones iniciales son redundantes porque no tendrán nada que ver con las previsiones finales que nos interesan en última instancia. Obviamente, esto plantea mayores exigencias en cuanto a la cantidad de datos de entrada necesarios para la predicción. En este caso, resultará importante estimar cuántos ciclos de previsión redundantes habrá que realizar para obtener valores de series de error adecuados que produzcan previsiones fiables.
Autor: Francis Dube