Discusión sobre el artículo "Aprendizaje automático y Data Science (Parte 44): Pronóstico de series temporales OHLC de Forex mediante autorregresión vectorial (VAR)"
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 Aprendizaje automático y Data Science (Parte 44): Pronóstico de series temporales OHLC de Forex mediante autorregresión vectorial (VAR):
Se trata de una herramienta tradicional de carácter estadístico para el pronóstico de series temporales, que se utiliza para investigar las relaciones dinámicas entre múltiples variables de series temporales. A diferencia de los modelos autorregresivos univariantes, como el ARIMA (analizado en el artículo anterior), que solo pronostican una única variable basándose en sus valores anteriores, los modelos VAR analizan la interrelación entre múltiples variables.
Lo consiguen modelando cada variable como una función no solo de sus valores anteriores, sino también de los valores pasados de otras variables del sistema. En este artículo, exploraremos los fundamentos de la autorregresión vectorial y su aplicación al trading.
El modelo de autorregresión vectorial fue presentado por primera vez en la década de 1960 por el economista Clive Granger. Los importantes descubrimientos de Granger sentaron las bases para comprender y modelar las interacciones dinámicas que existen entre los factores económicos. Los modelos VAR adquirieron un impulso significativo en econometría y macroeconomía durante las décadas de 1970 y 1980.
Esta técnica es una extensión multivariante de los modelos de autorregresión (AR). Mientras que los modelos AR tradicionales, como ARIMA, analizan la relación entre una sola variable y sus valores rezagados, los modelos VAR consideran múltiples variables simultáneamente. En un modelo VAR, cada variable se modela en función de sus propios valores rezagados, así como sobre los valores rezagados de otras variables del sistema.
Autor: Omega J Msigwa