Обсуждение статьи "Построение моделей волатильности в MQL5 (Часть II): Реализация моделей GJR-GARCH и TARCH"

Новый комментарий
 

Опубликована статья Построение моделей волатильности в MQL5 (Часть II): Реализация моделей GJR-GARCH и TARCH:

В статье реализуются GJR-GARCH и TARCH в библиотеке волатильности MQL5 и объясняется, почему учёт асимметрии даёт преимущества по сравнению со стандартными ARCH/GARCH. Рассматриваются формулировка моделей, параметризация и использование через производные классы и скрипты. Читатели получают примеры кода для калибровки и одношагового прогнозирования на реальных данных для управления рисками и диагностики моделей.

В первой части этой серии мы реализовали библиотеку волатильности MQL5. Мы построили процессы условного среднего, такие как AR и HAR, и объединили их со стандартными схемами моделирования волатильности ARCH/GARCH. Хотя эти традиционные модели эффективно описывают кластеризацию, их ограничивает симметричная природа. Они рассматривают рыночные ралли и рыночные обвалы как события с одинаковым влиянием на будущий риск.

В этой части мы устраняем данное ограничение, дополняя библиотеку поддержкой асимметричных процессов волатильности, а именно моделей GJR-GARCH и TARCH. Помимо определения этих моделей, мы объясним, почему асимметрия необходима с математической и поведенческой точек зрения, а также как эти подходы улучшают ARCH/GARCH. Наконец, статья продемонстрирует, как реализовать эти асимметричные процессы в составе полноценных моделей волатильности в MQL5 на реальных данных. Читатели получат готовый к использованию код, который учитывает фактор паники на финансовых рынках. Это расширяет инструментарий для управления рисками и анализа направленного движения рынка.


Автор: Francis Dube

 
Хорошо объясненная концепция. Однако код не может быть скомпилирован, 100+ ошибок компиляции. Постарайтесь быть серьезнее.
Новый комментарий