Discussão do artigo "Ciência de dados e aprendizado de máquina (Parte 44): Previsão de séries OHLC no Forex pelo método de autorregressão vetorial (VAR)"

[MetaQuotes]

Novo artigo Ciência de dados e aprendizado de máquina (Parte 44): Previsão de séries OHLC no Forex pelo método de autorregressão vetorial (VAR) foi publicado:

Neste material, veremos como os modelos de autorregressão vetorial (VAR) podem prever séries temporais de valores OHLC (preço de abertura, máxima, mínima e preço de fechamento) no Forex. Falaremos sobre como implementar modelos VAR, treiná-los e gerar previsões em tempo real no MetaTrader 5, analisando movimentos interdependentes das taxas de câmbio para obter melhores resultados no trading.

É uma ferramenta estatística tradicional de previsão de séries temporais, usada para investigar relações dinâmicas entre várias variáveis temporais. Diferentemente dos modelos autorregressivos univariados, como o ARIMA (que discutimos no artigo anterior), que preveem apenas uma variável com base em seus valores passados, os modelos VAR investigam as relações entre múltiplas variáveis.

Para isso, os modelos VAR modelam cada variável como função não apenas de seus próprios valores passados, mas também dos valores passados de outras variáveis do sistema. Neste artigo, veremos os fundamentos da autorregressão vetorial e sua aplicação no trading.

A autorregressão vetorial foi apresentada pela primeira vez na década de 1960 pelo economista Clive Granger. Suas contribuições estabeleceram as bases para a compreensão e a modelagem das interações dinâmicas entre fatores econômicos. Os modelos VAR passaram a ser amplamente utilizados na econometria e na macroeconomia nas décadas de 1970 e 1980. na econometria e na macroeconomia nas décadas de 1970 e 1980.

Essa técnica é uma variante multivariada dos modelos autorregressivos (AR). Os modelos AR tradicionais, como o ARIMA, analisam a dependência de uma variável em relação às suas defasagens, enquanto os modelos VAR consideram várias variáveis simultaneamente. No VAR, cada variável é regredida sobre suas próprias defasagens, cada variável é regredida sobre suas próprias defasagens e sobre as defasagens das demais variáveis do sistema.

Autor: Omega J Msigwa