Discusión sobre el artículo "Integración de modelos ocultos de Márkov en MetaTrader 5"
" Se espera al menos un array bidimensional como datos de entrada. "¿Qué poner en esta matriz? ¿Los valores habituales de los predictores?
No entiendo, ¿durante el entrenamiento hay auto-selección de predictores o no?
Si los predictores tienen distribuciones diferentes, ¿qué ocurre?
¿Hay algún ajuste para el número de divisiones de predictores (cuantificación)?
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 Integración de modelos ocultos de Márkov en MetaTrader 5:
En este artículo demostramos cómo los modelos ocultos de Márkov entrenados con Python pueden integrarse en las aplicaciones de MetaTrader 5. Los modelos ocultos de Márkov son una potente herramienta estadística utilizada para modelar datos de series temporales, en los que el sistema modelado se caracteriza por estados no observables (ocultos). Una premisa fundamental de los modelos ocultos de Márkov es que la probabilidad de estar en un estado determinado en un momento concreto depende del estado del proceso en el intervalo de tiempo anterior.
Los modelos ocultos de Márkov son una potente herramienta estadística utilizada para modelar datos de series temporales, en los que el sistema modelado se caracteriza por estados no observables (ocultos). Una premisa fundamental de los modelos ocultos de Márkov es que la probabilidad de estar en un estado determinado en un momento concreto depende del estado del proceso en el intervalo de tiempo anterior. Esta dependencia representa la memoria de un HMM.
En el contexto de las series temporales financieras, los estados podrían representar si una serie tiende al alza, tiende a la baja u oscila dentro de un rango específico. Cualquiera que haya utilizado algún indicador financiero está familiarizado con el efecto «whipsaw» (sierra de látigo) causado por el ruido inherente a las series temporales financieras. Se puede emplear un HMM para filtrar estas señales falsas, proporcionando una comprensión más clara de las tendencias subyacentes.
Para construir un HMM, necesitamos observaciones que capten la totalidad del comportamiento que define el proceso. Esta muestra de datos se utiliza para aprender los parámetros del HMM apropiado. Este conjunto de datos estaría formado por diversas características del proceso que se está modelando. Por ejemplo, si estuviéramos estudiando los precios de cierre de un activo financiero, también podríamos incluir otros aspectos relacionados con el precio de cierre, como diversos indicadores que, idealmente, ayuden a definir los estados ocultos que nos interesan.
El proceso de aprendizaje de los parámetros del modelo se lleva a cabo bajo el supuesto de que la serie que se está modelando estará siempre en uno de dos o más estados. Los estados se etiquetan simplemente de 0 a S-1. Para estos estados, debemos asignar un conjunto de probabilidades que capturen la probabilidad de que el proceso cambie de un estado a otro. Estas probabilidades suelen denominarse matriz de transición. La primera observación tiene un conjunto especial de probabilidades iniciales de estar en cada estado posible. Si una observación se encuentra en un estado concreto, se espera que siga una distribución específica asociada a ese estado.
Por lo tanto, un HMM se define completamente por cuatro propiedades:
Autor: Francis Dube