Discussão do artigo "Ciência de Dados e ML (Parte 42): Previsão de Séries Temporais no Mercado Forex com ARIMA em Python"

Novo comentário

Novo artigo Ciência de Dados e ML (Parte 42): Previsão de Séries Temporais no Mercado Forex com ARIMA em Python foi publicado:

ARIMA, sigla para Modelo Autorregressivo Integrado de Médias Móveis, é um poderoso modelo estatístico tradicional de previsão de séries temporais. Com a capacidade de identificar picos e flutuações nos dados de uma série temporal, esse modelo pode prever com precisão os próximos valores. Neste artigo, vamos entender o que é o ARIMA, como funciona, como utilizá-lo para prever os próximos preços do mercado com alta precisão e muito mais.

A previsão de séries temporais é o processo de utilizar dados históricos para prever valores futuros em uma sequência de observações. Essa sequência normalmente é organizada cronologicamente, daí o nome série temporal.

Embora possamos incluir quantas variáveis explicativas desejarmos em nossos dados, qualquer conjunto de dados utilizado na análise ou previsão de séries temporais precisa conter estas duas variáveis.

  1. Tempo

     Esta é uma variável independente que representa os momentos específicos em que os dados foram observados.

  2. Variável-alvo

    É o valor que queremos prever com base em observações anteriores e, possivelmente, em outros fatores. (Por exemplo, o preço de fechamento diário de uma ação, a temperatura registrada a cada hora ou o tráfego de um site por minuto).


Autor: Omega J Msigwa

Conteúdo incrível.

Exatamente o que eu estava procurando.

Provavelmente não vou usar isso nas negociações, mas é muito interessante.

Ouvi falar pela primeira vez sobre o ARIMA no livro “Trading Systems & Methods”, de Perry J. Kaufman.

Alguém já teve sucesso operando com o ARIMA?

Novo comentário