Discussão do artigo "Previsão usando modelos ARIMA em MQL5"
Olá, Francis!
Excelente artigo! Como estou convertendo um EA MQ4 que usa várias médias, vou estudar seu código para determinar a melhor integração e voltarei a entrar em contato mais tarde
CapeCoddah
Fiz tudo o que pude e não obtive nenhum resultado.
O artigo anexou uma captura de tela de um testador que tem um fator de lucro altíssimo, mas um fator de recuperação baixo. O que pode ser e como o gráfico se parece é um segredo.
Se o autor conseguiu algo, deve ser um segredo especial.
A propósito, as configurações são diferentes das que estão no artigo. Em suma, conteúdo estranho.
Obrigado por seu artigo muito informativo. Posso prever mais de um passo à frente?
Acho que apenas aumentar o "NumberOfPredictions" não é suficiente, não é?
@ndnz2018: habe vor kurzem folgende Klasse für ARIMA-Modell heruntergeladen: https://www.mql5.com/pt/articles/12798
Fiquei muito irritado quando vi que o bot apresentou taxas de acerto de mais de 90% em vários períodos de tempo para modelos AR simples (20,1,0). Também encontrei outros artigos on-line em que os modelos ARIMA foram apresentados com precisão de mais de 90%. No entanto, você pode ler em qualquer livro de matemática financeira que os aumentos (retornos) não apresentam autocorrelação significativa. Eu também calculei a autocorrelação Corr(r(t),r(t-d)) para diferentes defasagens e é verdade que não há correlação. Como isso é possível? A autocorrelação talvez seja definida de forma diferente no caso dos modelos ARIMA? Na verdade, sempre pensei que a autorregressão fosse uma regressão simples sobre os valores anteriores. Será que estou vendo isso de forma muito simples?
Espero que alguém possa esclarecer minhas dúvidas.
Muito obrigado desde já
ndnz
Há um EA no artigo. Por que você não o executa em uma conta demo e vê se os valores são confirmados?
- Aplicativos de negociação gratuitos
- 8 000+ sinais para cópia
- Notícias econômicas para análise dos mercados financeiros
Você concorda com a política do site e com os termos de uso
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