Обсуждение статьи "Изучение стандартной библиотеки MQL5 (Часть 10): Канал полиномиальной регрессии"

Новый комментарий
 

Опубликована статья Изучение стандартной библиотеки MQL5 (Часть 10): Канал полиномиальной регрессии:

Сегодня мы рассмотрим еще одну составляющую ALGLIB и задействуем её математический потенциал, чтобы создать индикатор на основе полиномиальной регрессии (Polynomial Regression Channel). К концу этой статьи вы получите практические знания о разработке индикаторов с использованием стандартной библиотеки MQL5, а также полностью функциональный, математически обоснованный исходный код индикатора.

Финансовые рынки часто демонстрируют ускоряющиеся движения, закругленные развороты и S-образные тренды, которые линейные инструменты (каналы линейной регрессии, простые скользящие средние и т. д.) не могут адекватно описать. Для трейдера или разработчика торговых алгоритмов это проявляется в виде ощутимых трудностей: границы канала отстают или перестают адекватно работать, шум в сигналах после появления кривизны и ручных обходных решений (смена таймфреймов, оценка криволинейных трендов на глаз), которые являются субъективными, сложными для воспроизведения и плохо масштабируются на множество инструментов и практически не поддаются переносу в автоматизированные системы.

В этой статье эти трудности переформулируются в конкретную инженерную задачу: реализовать формальную, воспроизводимую методику моделирования ценовой кривизны и дополнить её адаптивными полосами волатильности, подходящими как для визуального анализа, так и для автоматизированного использования. Конкретно, критерии успеха следующие: компилируемый индикатор MQL5, который (1) строит полиномиальный тренд по настраиваемому окну ретроспективного анализа, (2) создает верхнюю/нижнюю полосы на основе стандартного отклонения остатков, (3) предоставляет степень, период и множитель отклонения как параметры, задаваемые во время выполнения, (4) проверяет входные данные и обрабатывает граничные случаи (недостаток данных, сбой аппроксимации) и (5) эффективно работает в реальном времени с минимальной нагрузкой на ЦП.

Для достижения этих целей мы используем ALGLIB для численно устойчивой аппроксимации полинома методом наименьших квадратов, реализуем несмещенный оценщик остаточной волатильности и оптимизируем перерасчет таким образом, чтобы на каждом тике обновлялся только самый последний бар. В результате получается переиспользуемый компонент Polynomial Regression Channel, который формализует выявление кривизны тренда, стандартизирует построение полос и готов к интеграции в торговые процессы или советники.


Автор: Clemence Benjamin

Новый комментарий