Discusión sobre el artículo "Aprendizaje automático y Data Science (Parte 42): Pronóstico de series temporales de Forex con ARIMA en Python, todo lo que necesitas saber"

Nuevo comentario
 

Artículo publicado Aprendizaje automático y Data Science (Parte 42): Pronóstico de series temporales de Forex con ARIMA en Python, todo lo que necesitas saber:

ARIMA, siglas de AutoRegressive Integrated Moving Average —en español, “modelo autorregresivo integrado de media móvil”—, es un potente modelo tradicional de pronóstico de series temporales. Gracias a su capacidad para detectar picos y fluctuaciones en los datos de una serie temporal, este modelo puede realizar predicciones precisas sobre los valores siguientes. En este artículo, vamos a entender qué es, cómo funciona, qué se puede hacer con él para predecir los próximos precios del mercado con gran precisión y mucho más.

La pronóstico de series temporales es el proceso de utilizar datos pasados para predecir valores futuros en una secuencia de puntos de datos. Esta secuencia suele ordenarse cronológicamente, de ahí el nombre de serie temporal.

Aunque nuestros datos pueden contener tantas variables explicativas como queramos, cualquier conjunto de datos destinado al análisis o pronóstico de series temporales debe incluir estas dos variables.

  1. Tiempo

    Se trata de una variable independiente que representa los momentos concretos en los que se observaron los valores de los datos.

  2. Variable objetivo

    Es el valor que se intenta predecir a partir de observaciones pasadas y, posiblemente, de otros factores. (por ejemplo, el precio de cierre diario de las acciones, la temperatura por hora, el tráfico del sitio web por minuto).


Autor: Omega J Msigwa

 

Contenido asombroso.

Exactamente lo que estaba buscando.

Probablemente no voy a utilizarlo en el comercio, pero muy interesante.

La primera vez que oí hablar de ARIMA fue en el libro de Perry J Kaufman Trading Systems & Methods.

¿Alguien ha tenido éxito en el comercio con ARIMA?

Nuevo comentario