Discussão do artigo "Integração de Modelos Ocultos de Markov no MetaTrader 5"
" Pelo menos uma matriz bidimensional é esperada como dados de entrada. " - o que colocar nessa matriz? Os valores usuais do preditor?
Não entendo, durante o treinamento há seleção automática de preditores ou não?
Se os preditores tiverem distribuições diferentes, o que acontecerá?
Existe uma configuração para o número de divisões de preditores (quantificação)?
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 Integração de Modelos Ocultos de Markov no MetaTrader 5 foi publicado:
Neste artigo, demonstramos como os Modelos Ocultos de Markov, treinados utilizando Python, podem ser integrados em aplicações MetaTrader 5. Os Modelos Ocultos de Markov são uma poderosa ferramenta estatística utilizada para modelar dados de séries temporais, onde o sistema modelado é caracterizado por estados não observáveis (ocultos). Uma premissa fundamental dos HMMs é que a probabilidade de estar em um determinado estado em um momento específico depende do estado do processo no instante anterior.
Os Modelos Ocultos de Markov são uma poderosa ferramenta estatística utilizada para modelar dados de séries temporais, onde o sistema modelado é caracterizado por estados não observáveis (ocultos). Uma premissa fundamental dos HMMs é que a probabilidade de estar em um determinado estado em um momento específico depende do estado do processo no instante anterior. Essa dependência representa a memória de um HMM.
No contexto das séries temporais financeiras, os estados poderiam representar se uma série está em tendência de alta, em tendência de baixa ou oscilando dentro de um intervalo específico. Qualquer pessoa que tenha usado qualquer indicador financeiro está familiarizada com o efeito "whipsaw" causado pelo ruído inerente às séries temporais financeiras. Um HMM pode ser utilizado para filtrar esses falsos sinais, fornecendo uma compreensão mais clara das tendências subjacentes.
Para construir um HMM, precisamos de observações que capturem a totalidade do comportamento que define o processo. Essa amostra de dados é usada para aprender os parâmetros do HMM apropriado. Esse conjunto de dados seria composto por várias características do processo que está sendo modelado. Por exemplo, se estivermos estudando os preços de fechamento de um ativo financeiro, também poderíamos incluir outros aspectos relacionados ao preço de fechamento, como vários indicadores que, idealmente, ajudam a definir os estados ocultos de nosso interesse.
O processo de aprendizado dos parâmetros do modelo é realizado sob a suposição de que a série modelada estará sempre em um de dois ou mais estados. Os estados são simplesmente rotulados de 0 a S-1. Para esses estados, devemos atribuir um conjunto de probabilidades que capturam a probabilidade do processo mudar de um estado para outro. Essas probabilidades são geralmente chamadas de matriz de transição. A primeira observação tem um conjunto especial de probabilidades iniciais para estar em cada estado possível. Se uma observação está em um determinado estado, espera-se que siga uma distribuição específica associada a esse estado.
Um HMM é, portanto, totalmente definido por quatro propriedades:
Autor: Francis Dube