Обсуждение статьи "Машинное обучение и Data Science (Часть 42): Прогнозирование временных рядов на форексе с ARIMA и Python"

[MetaQuotes]

Опубликована статья Машинное обучение и Data Science (Часть 42): Прогнозирование временных рядов на форексе с ARIMA и Python:

ARIMA (сокращение от Auto Regressive Integrated Moving Average, авторегрессионная интегрированная скользящая средняя) — это традиционная модель прогнозирования временных рядов. Благодаря способности обнаруживать всплески и колебания в данных временного ряда, эта модель может делать точные прогнозы относительно следующих значений. В этой статье мы разберемся, что это такое, как это работает, можно ли это использовать для точного прогнозирования будущих цен на рынке и многое другое.

Прогнозирование временных рядов — это процесс использования прошлых данных для прогнозирования будущих значений в последовательности точек данных. Эта последовательность обычно упорядочена по времени, отсюда и название временной ряд.

В данных может быть сколько угодно переменных признаков, но все данные для анализа временных рядов или прогнозирования должны содержать вот эти две переменные:

1. Time
   
   Это независимая переменная, представляющая конкретные моменты времени, когда наблюдались точки данных.
   
   
2. Целевая переменная
   
   Это значение, которое вы пытаетесь предсказать на основе прошлых наблюдений и, возможно, других факторов. (Например, дневная цена закрытия акций, почасовая температура, поминутный трафик веб-сайта).

Автор: Omega J Msigwa