Discussão do artigo "Implementando um algoritmo de treinamento ARIMA em MQL5"
Você está perdendo oportunidades de negociação:
- Aplicativos de negociação gratuitos
- 8 000+ sinais para cópia
- Notícias econômicas para análise dos mercados financeiros
Registro
Login
Você concorda com a política do site e com os termos de uso
Se você não tem uma conta, por favor registre-se
Novo artigo Implementando um algoritmo de treinamento ARIMA em MQL5 foi publicado:
Neste artigo, implementaremos um algoritmo que aplica o modelo integrado de autorregressão com média móvel (modelo Box-Jenkins) usando o método de minimização de função de Powell. Box e Jenkins afirmaram que a maioria das séries temporais pode ser modelada usando uma ou ambas das duas estruturas.
Até agora, examinamos a implementação de um algoritmo de treinamento autoregressivo sem indicar como derivar ou escolher a ordem apropriada para um modelo. Treinar um modelo provavelmente é a parte fácil, em contraste com determinar um bom modelo.
Duas ferramentas úteis para derivar um modelo adequado são calcular a autocorrelação e a autocorrelação parcial de uma série em estudo. Como guia para ajudar os leitores na interpretação de gráficos de autocorrelação e autocorrelação parcial, consideraremos quatro séries hipotéticas:
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) e (4) são processos AR(1) puros com coeficientes positivos e negativos, respectivamente. (5) e (6) são processos MA(1) puros com coeficientes positivos e negativos, respectivamente.
As figuras acima são as autocorrelações de (3) e (4) respectivamente. Em ambos os gráficos, os valores de correlação tornam-se menores à medida que o atraso aumenta. Isso faz sentido, pois o efeito de um valor anterior sobre o atual diminui à medida que se avança na série.
Autor: Francis Dube