Discussão do artigo "Previsão usando modelos 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 Previsão usando modelos ARIMA em MQL5 foi publicado:
Neste artigo, continuamos a desenvolver a classe CArima para construir modelos ARIMA adicionando métodos de previsão intuitivos.
É bem conhecido que os modelos ARIMA dependem de dependências temporais em um conjunto de dados. É por esse motivo que, para fazer uma ou mais previsões, é necessário alimentar o modelo com uma série de dados de entrada. A especificação do modelo determina o tamanho mínimo da série de entrada. Sabendo disso, torna-se óbvio que, se a série de entrada for incorreta, não será possível fazer previsões ou, pelo menos, as previsões não serão reflexo do modelo aplicado. Diferentes tipos de modelos ARIMA têm requisitos diferentes quanto ao tamanho da série de entrada, além da ordem do modelo.
A implementação de previsões para modelos autorregressivos puros é trivial, pois tudo o que é necessário é uma entrada igual ao maior atraso do modelo. Modelos mistos que utilizam termos de média móvel criam problemas ao fazer previsões. Ainda não temos nenhuma série de bugs ou inovações reais. Para superar isso, primeiro devemos decidir como serão calculados os valores de erro iniciais.
Esse processo envolve, em primeiro lugar, o uso de quaisquer parâmetros de modelo disponíveis para obter o estado inicial do modelo, o que exclui todos os termos de média móvel, pois eles são assumidos como 0 nesta fase. Os valores conhecidos da série são então usados para calcular os valores de erro iniciais, percorrendo a série de previsões redundantes. Estas previsões iniciais são redundantes porque não terão nada a ver com as previsões finais nas quais estamos interessados. Isso, obviamente, aumenta as demandas quanto ao número de entradas necessárias para a previsão. O importante aqui é estimar quantos ciclos de previsão redundantes devem ser realizados para obter valores adequados da série de erros a fim de fazer previsões válidas.
Autor: Francis Dube