記事「MQL5でのARIMAトレーニングアルゴリズムの実装」についてのディスカッション

[MetaQuotes]

新しい記事「MQL5でのARIMAトレーニングアルゴリズムの実装」はパブリッシュされました:

この記事では、関数最小化のPowell法を使用して、ボックス・ジェンキンス法の自己回帰和分移動平均モデルを適用するアルゴリズムを実装します。ボックスとジェンキンスは、ほとんどの時系列は2つのフレームワークの一方または両方でモデル化できると述べました。

これまで、モデルの適切な次数を導出または選択する方法を示さずに、自己回帰トレーニングアルゴリズムの実装について説明してきました。適切なモデルを決定するのとは対照的に、モデルのトレーニングはおそらく簡単な部分です。

適切なモデルを導出する2つの便利なツールは、研究対象の系列の自己相関と部分自己相関を計算することです。読者が自己相関および部分自己相関プロットを解釈する際に役立つガイドとして、4つの仮説系列を検討します。
                                                                  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)と(4)は、それぞれ正と負の係数を持つ純粋なAR(1)プロセスです。(5)と(6)は、それぞれ正と負の係数を持つ純粋なMA(1)プロセスです。 

上図はそれぞれ(3)と(4)の自己相関です。どちらのプロットでも、ラグが増加するにつれて相関値は小さくなります。系列がさらに上に進むにつれて、以前の値の電流への影響が減少するため、これは理にかなっています。

作者: Francis Dube