Обсуждение статьи "Торговые инструменты MQL5 (Часть 26): Интеграция частотного разбиения, энтропии и критерия хи-квадрат в визуальный анализатор"

[MetaQuotes]

Опубликована статья Торговые инструменты MQL5 (Часть 26): Интеграция частотного разбиения, энтропии и критерия хи-квадрат в визуальный анализатор:

В этой статье мы разработаем инструмент частотного анализа на языке MQL5, который группирует данные о ценах в гистограммы, вычисляет энтропию для оценки информационного содержания и применяет тесты хи-квадрат для проверки соответствия распределения, а также интерактивные логи и статистические панели для более глубокого понимания рыночной структуры. Мы интегрируем режимы вычислений для каждого бара или тика, рендеринг с суперсэмплированием для плавной визуализации и перетаскиваемые/изменяемые по размеру объекты Canvas с автоматически прокручивающимися логами для повышения удобства использования при выполнении торгового анализа.

Разбиение по частотным интервалам (Frequency binning) делит диапазон цен на интервалы одинаковой ширины и подсчитывает, сколько закрытий приходится на каждый интервал (бин). Плотные интервалы указывают на зоны принятия цены, в то время как разреженные интервалы указывают на импульсивные переходы. Энтропия Шеннона количественно определяет, насколько равномерно распределены количества по интервалам: идеально равномерное распределение дает максимальную энтропию, в то время как гистограмма, в которой преобладают один или два интервала, дает низкую энтропию. Это свидетельствует о сильной кластеризации и потенциально пригодной для торговли рыночной структуре. Критерий хи-квадрат формализует это, сравнивая наблюдаемые количества попаданий в интервалы с ожидаемыми при равномерном распределении, давая статистику по критерию, которая увеличивается по мере усиления кластеризации, со степенями свободы, равными количеству интервалов минус единица.

На рынке используйте частотную гистограмму, чтобы определить интервал с наибольшей плотностью в качестве текущей зоны стоимости - цена, возвращающаяся к этому интервалу после отклонения, что может служить сигналом для сделки на возврат к среднему. Отслеживайте энтропию во время сессий: падение энтропии после периода диапазона может указывать на формирование направленного сценария пробоя. Используйте статистику хи-квадрат в качестве фильтра — высокие значения подтверждают ценность торговли при неслучайной кластеризации, в то время как значения, близкие к нулю, указывают на случайное блуждание, при котором стратегии, основанные на частоте, теряют преимущество.

Мы загрузим последние цены закрытия и поместим их в заданные пользователем интервалы. Далее вычислим относительные частоты, энтропию (−∑p·log p) и статистику хи-квадрат. Результаты отображаются на объекте Canvas с панелью статистики и панелью лога с автоматической прокруткой (для каждого бара или тика). В двух словах, вот какой результат мы намерены получить.

Автор: Allan Munene Mutiiria