Обсуждение статьи "Инженерия признаков с Python и MQL5 (Часть I): AI-модели для долгосрочного прогнозирования по скользящим средним"

MetaQuotes 2025.06.13 06:21

Опубликована статья Инженерия признаков с Python и MQL5 (Часть I): AI-модели для долгосрочного прогнозирования по скользящим средним:

Скользящие средние являются, безусловно, самыми эффективными индикаторами для прогнозирования моделями ИИ. Однако точность результатов можно еще больше повысить, если перед этим соответственным образом преобразовать данные. В этой статье мы поговорим о создании AI-моделей, которые могут прогнозировать в более отдаленное будущее без существенного снижения уровня точности. В очередной раз мы с вами убедимся, насколько полезны скользящие средние.

В прошлый раз, когда мы говорили о прогнозировании скользящих средних с помощью ИИ, я привел доказательства того, что для моделей ИИ проще предсказывать значения скользящих средних, чем будущие уровни цен (вот ссылка на эту статью). Чтобы убедиться в значимости наших выводов, я обучил две идентичные AI-модели на более чем 200 различных рыночных инструментах и сравнил точность прогнозирования цены с точностью прогнозирования скользящих средних. Результаты показали, что при прогнозировании цены точность в среднем снижается на 34% по сравнению с прогнозированием скользящих средних.

В среднем можно ожидать 70% точности при прогнозировании скользящих средних против 52% точности при прогнозировании цены. Всем известно, что в зависимости от выбранного периода индикатор скользящей средней не всегда следует за уровнем цен достаточно близко. Например, цена может снижаться в течение 20 свечей, а скользящие средние на этом интервале будут расти. Такое расхождение нежелательно, поскольку даже при правильном прогнозе направления скользящей средней цена может пойти в противоположную сторону. Примечательно, что уровень расхождения остается стабильным примерно на уровне 31% по всем рыночным инструментам, а точность прогнозирования самих расхождений составила в среднем 68%.

Кроме того, дисперсия точности прогнозирования расхождений и самих случаев расхождения составила 0.000041 и 0.000386 соответственно. Это демонстрирует, что модель обладает устойчивой способностью к самокоррекции. Если вы планируете применять AI в долгосрочных торговых стратегиях, может иметь смысл рассмотреть этот альтернативный подход на старших таймфреймах. Пока что мы ограничимся обсуждением таймфрейма M1, поскольку он обеспечивает достаточный объем данных по всем 297 рынкам для корректного сравнения.

Существует множество причин, почему скользящие средние проще прогнозировать, чем саму цену. Вероятно, это связано с тем, что прогнозирование скользящих средних больше соответствует принципам линейной регрессии, чем прогнозирование цены. Линейная регрессия предполагает, что данные являются линейной комбинацией (суммой) нескольких входных параметров: скользящие средние представляют собой сумму предыдущих значений цены, а значит — линейное допущение выполняется. Цена же сама по себе не является простой суммой реальных факторов, а представляет собой сложную зависимость множества переменных.

Автор: Gamuchirai Zororo Ndawana