Обсуждение статьи "Интеграция скрытых марковских моделей в MetaTrader 5"

Новый комментарий
 

Опубликована статья Интеграция скрытых марковских моделей в MetaTrader 5:

В этой статье мы продемонстрируем, как скрытые марковские модели, обученные с использованием Python, могут быть интегрированы в приложения MetaTrader 5. Скрытые марковские модели — это мощный статистический инструмент, используемый для моделирования временных рядов данных, где моделируемая система характеризуется ненаблюдаемыми (скрытыми) состояниями. Фундаментальная предпосылка HMM заключается в том, что вероятность нахождения в заданном состоянии в определенный момент времени зависит от состояния процесса в предыдущем временном интервале.

Скрытые марковские модели — это мощный статистический инструмент, используемый для моделирования временных рядов данных, где моделируемая система характеризуется ненаблюдаемыми (скрытыми) состояниями. Фундаментальная предпосылка HMM заключается в том, что вероятность нахождения в заданном состоянии в определенный момент времени зависит от состояния процесса в предыдущем временном интервале. Эта зависимость представляет собой память HMM.

В контексте финансовых временных рядов состояния могут отражать тенденцию ряда к росту, к снижению или колебания в определенном диапазоне. Любой, кто пользовался финансовыми индикаторами, знаком с эффектом пилы, вызванным шумом, присущим финансовым временным рядам. HMM позволяет отфильтровывать эти ложные сигналы, давая более четкое представление об основных трендах.

Для построения HMM нам нужны наблюдения, которые охватывают всю совокупность поведения, определяющего процесс. Эта выборка данных используется для изучения параметров соответствующей HMM. Она будет состоять из различных характеристик моделируемого процесса. Например, если бы мы изучали цены закрытия финансового актива, мы могли бы также включить другие аспекты, связанные с ценой закрытия, например, различные индикаторы, которые в идеале помогают определить скрытые состояния, которые нас интересуют.

Обучение параметров модели проводится исходя из предположения, что моделируемый ряд всегда будет находиться в одном из двух или более состояний. Состояния имеют обозначения от 0 до S-1. Для этих состояний мы должны назначить набор вероятностей, которые отражают правдоподобие (likelihood) переключения процесса из одного состояния в другое. Эти вероятности обычно называют матрицей перехода. Первое наблюдение имеет особый набор начальных вероятностей нахождения в каждом возможном состоянии. Если наблюдение находится в определенном состоянии, ожидается, что оно будет следовать определенному распределению, связанному с этим состоянием.

Таким образом, HMM полностью определяется четырьмя свойствами:

  • Число предполагаемых состояний
  • Начальные вероятности нахождения первого наблюдения в любом из состояний
  • Матрица переходов вероятностей
  • Функции плотности вероятности для каждого состояния.


Автор: Francis Dube

 

" В качестве входных данных ожидается как минимум один двумерный массив. " - что класть в этот массив? Обычные значения предикторов?

Я не понял, при обучении происходит авто отбор предикторов или нет?

Если предикторы имеют разное распределение, то как же быть?

Есть ли настройка по числу разбиений предиктора (квантование)?

Новый комментарий