Обсуждение статьи "Прогнозирование с помощью моделей ARIMA в MQL5"
Здравствуйте, Франсис!
Отличная статья! Поскольку я конвертирую советник MQ4, который использует несколько средних, я собираюсь изучить ваш код, чтобы определить лучшую интеграцию и вернусь на связь позже.
CapeCoddah
Как только не извратился, результата не получил.
В статье прикреплен скриншот из тестера, у которого дикий профит-фактор, но низкий фактор восстановления. Что там такое может быть и как выглядит график - секрет.
Если у автора получилось что-то, то, видимо, это особая тайна.
Кстати, настройки отличаются от того, что в статье. В общем, странный контент.
Спасибо за вашу очень информативную статью. Могу ли я предсказывать более чем на один шаг вперед?
Я думаю, что просто увеличить "NumberOfPredictions" недостаточно, не так ли?
@ndnz2018: habe vor kurzem folgende Klasse für ARIMA-Modell heruntergeladen: https://www.mql5.com/ru/articles/12798
Я был очень раздражен, когда увидел, что бот показывает точность более 90% на нескольких таймфреймах для простых моделей AR (20,1,0). Я также нашел другие статьи в Интернете, где модели ARIMA были представлены с точностью более 90 %. При этом в любой книге по финансовой математике вы можете прочитать, что приросты (доходности) не показывают значительной автокорреляции. Я также самостоятельно вычислил автокорреляцию Corr(r(t),r(t-d)) для разных лагов, и это правда, корреляции нет. Как такое может быть? Может быть, автокорреляция определяется по-другому в случае моделей ARIMA? На самом деле, я всегда думал, что авторегрессия - это простая регрессия на предыдущие значения. Возможно, я вижу это слишком просто?
Надеюсь, кто-нибудь сможет прояснить мою голову.
Заранее спасибо
ndnz
В статье есть советник. Почему бы вам не запустить его на демо-счете и посмотреть, подтвердятся ли значения.
- Бесплатные приложения для трейдинга
- 8 000+ сигналов для копирования
- Экономические новости для анализа финансовых рынков
Вы принимаете политику сайта и условия использования
Опубликована статья Прогнозирование с помощью моделей ARIMA в MQL5:
В этой статье мы продолжаем разработку класса CArima для построения моделей ARIMA, добавляя интуитивно понятные методы прогнозирования.
Хорошо известно, что модели ARIMA полагаются на временные зависимости в наборе данных. Поэтому, чтобы сделать один или несколько прогнозов, нам нужно передать модели ряд входных данных. Спецификация модели определяет минимальный размер входного ряда. Зная это, становится очевидным, что, если входной ряд неверен, будет невозможно делать какие-либо прогнозы или, по крайней мере, прогнозы не будут отражать применяемую модель. Различные типы моделей ARIMA предъявляют различные требования к размеру входного ряда, помимо порядка модели.
Реализация прогнозов для чистых авторегрессионных моделей тривиальна, поскольку все, что требуется, — это входные данные, равные наибольшему отставанию модели. Смешанные модели, использующие термины скользящего среднего, создают проблемы при составлении прогнозов. У нас пока нет фактических серий ошибок или инноваций. Чтобы преодолеть это ограничение, мы должны сначала решить, как будут рассчитываться начальные значения ошибок.
Этот процесс включает в себя сначала использование любых доступных параметров модели для получения начального состояния модели, которое исключает любые члены скользящего среднего, поскольку на данном этапе они считаются равными 0. Затем известные значения ряда используются для вычисления начальных значений ошибки путем циклического перебора ряда избыточных прогнозов. Эти начальные прогнозы являются избыточными, поскольку они не будут иметь ничего общего с окончательными прогнозами, которые нас в конечном итоге интересуют. Это, очевидно, предъявляет более высокие требования к количеству входных данных, необходимых для прогнозирования. Здесь важно оценить, сколько избыточных циклов прогнозирования необходимо выполнить, чтобы получить подходящие значения серии ошибок для получения достоверных прогнозов.
Автор: Francis Dube