Discussão do artigo "Engenharia de Features com Python e MQL5 (Parte I): Previsão de Médias Móveis para Modelos de IA de Longo Alcance"
O resultado mostrado parece promissor; vou experimentar.
Mais desse tipo, por favor.
Obrigado.
MetaQuotes:
O artigo Trait Engineering with Python and MQL5 (Part I) foi publicado: Modelos de IA para previsão de longo prazo em médias móveis:
Autor: Gamuchirai Zororo Ndawana
Algumas das imagens não estão aparecendo...
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 Engenharia de Features com Python e MQL5 (Parte I): Previsão de Médias Móveis para Modelos de IA de Longo Alcance foi publicado:
Na última vez que falamos sobre previsão de médias móveis com IA, apresentei evidências que sugeriam que os valores das médias móveis são mais fáceis para nossos modelos de IA preverem do que os níveis futuros de preço. O link para esse artigo está disponível aqui. No entanto, para termos confiança de que nossas descobertas são significativas, treinei 2 modelos de IA idênticos em mais de 200 símbolos de mercado diferentes e comparei a precisão da previsão de preços com a precisão da previsão da média móvel. Os resultados parecem mostrar que nossos níveis de precisão caem, em média, 34% quando prevemos preços em vez de médias móveis.
Em média, podemos esperar 70% de precisão ao prever as médias móveis, em comparação com uma expectativa de 52% ao prever preços. Todos sabemos que, dependendo do período, o indicador de média móvel não acompanha os níveis de preço muito de perto. Por exemplo, o preço pode cair por 20 velas enquanto as médias móveis sobem no mesmo intervalo. Essa divergência é indesejável, porque é possível prever corretamente a direção futura da média móvel, mas o preço pode divergir. Notavelmente, observamos que a taxa de divergência permanece fixa em torno de 31% em todos os mercados, e nossa capacidade de prever divergências teve média de 68%.
Além disso, a variância da nossa capacidade de prever divergências e da ocorrência de divergência foi de 0.000041 e 0.000386, respectivamente. Isso mostra que nosso modelo é capaz de se corrigir com um nível confiável de habilidade. Membros da comunidade que desejam aplicar IA em estratégias de trading de longo prazo devem considerar essa abordagem alternativa em timeframes mais altos. Nossa discussão está limitada ao M1 por enquanto, porque esse timeframe garante que teremos dados suficientes em todos os 297 mercados para fazermos comparações justas.
Existem muitas possíveis razões pelas quais as médias móveis são mais fáceis de prever do que o próprio preço. Isso pode ser verdade porque prever médias móveis está mais alinhado com a ideia de regressão linear do que prever preços. A regressão linear assume que os dados são uma combinação linear (soma) de várias entradas: as médias móveis são uma soma de valores passados de preço, o que torna a suposição linear verdadeira. Já o preço não é uma simples soma de variáveis do mundo real, mas sim uma relação complexa entre muitas variáveis.
Autor: Gamuchirai Zororo Ndawana