記事「MQL5におけるARIMAモデルによる予測」についてのディスカッション

[MetaQuotes]

新しい記事「MQL5におけるARIMAモデルによる予測」はパブリッシュされました:

この記事では、ARIMAモデルを構築するためのCArimaクラスの開発を継続し、予測を可能にする直感的な手法を追加します。

ARIMAモデルがデータセットの時間依存性に依存していることはよく知られています。したがって、1つ以上の予測をおこなうには、一連の入力データをモデルに与える必要があります。モデルの仕様は、入力系列の最小サイズを決定します。このことを知れば、入力系列が不適切であれば、予測をおこなうことができないか、少なくとも予測は適用されたモデルを反映していないことは明らかです。異なるタイプのARIMAモデルは、モデルの次数だけでなく、入力系列のサイズに対する要求も様々です。

純粋な自己回帰モデルに対する予測の実装は、モデルの最大ラグに等しい入力が必要なだけなので、些細なことです。移動平均項を使用する混合モデルは、予測をおこなう際に問題を引き起こします。実際のエラーやイノベーションのシリーズはまだありません。これを克服するためには、まず誤差の初期値をどのように計算するかを決めなければなりません。

このプロセスでは、まず利用可能なモデルパラメータを使用して、移動平均項を除いたモデルの初期状態を得ます。この段階では0であると想定されているためです。次に、既知の系列値を使用して、多数の冗長な予測を循環させて初期誤差値を計算します。これらの初期予測は、最終的に関心のある最終予測とは何の関係もないため、冗長です。このため、予測に必要な入力の数がより多く要求されるのは明らかです。ここで重要なことは、有効な予測をおこなうために適切な誤差系列値を導き出すのに、どれだけの冗長な予測サイクルをおこなうべきかということです。

作者: Francis Dube