Обсуждение статьи "За пределами GARCH (Часть VII): Прогнозирование волатильности методом Монте-Карло в MQL5"
Those cartoons again—people just can't read important technical information that fast. If you really want to make it more like a presentation, you need control buttons so you can see each slide, not a pointless GIF.
Станислав, тебе действительно не нужно комментировать каждую статью на эту тему. Эта серия была снята давным-давно, а на русский язык её только сейчас начинают переводить.
Вы оставили комментарий на английском языке в русскоязычном разделе форума. Это создаёт проблемы для автоматического переводчика, который создаёт дубликаты ваших комментариев в разделах форума на других языках.
Нет нужды что-либо исправлять, давайте на этот раз оставим всё как есть. Однако в будущем, пожалуйста, будьте более внимательны и следите за тем, чтобы язык вашего комментария соответствовал выбранному вами разделу форума.
Вы оставили комментарий на английском языке в русскоязычном разделе форума. Это создаёт проблемы для автоматического переводчика, который создаёт дубликаты ваших комментариев в других языковых разделах форума.
На этот раз ничего исправлять не нужно, давайте оставим всё как есть. Однако в будущем, пожалуйста, будьте более внимательны и следите за тем, чтобы язык вашего комментария соответствовал выбранному вами разделу форума.
Опубликована статья За пределами GARCH (Часть VII): Прогнозирование волатильности методом Монте-Карло в MQL5:
Адаптивная глубина каскада выбирает минимальное k, при котором b^k покрывает горизонт прогнозирования, обеспечивая быстродействие и согласованность симуляции.
В шестой части мы создали модуль моделирования, генерирующий одну ценовую траекторию MMAR. Одна траектория полезна для визуализации, но бесполезна для прогнозирования. Одна случайная реализация ничего не говорит о распределении возможных будущих состояний. Чтобы получить прогноз волатильности — точечную оценку с границами неопределенности, — нужно многократно запустить модуль моделирования и агрегировать результаты. В этом состоит метод Монте-Карло: выполнить N независимых симуляций, измерить волатильность каждой и извлечь статистические показатели из полученного распределения.
В этой статье создается класс CMonteCarlo — последний вычислительный модуль перед верхнеуровневым фасадом. Класс принимает подогнанные параметры модели, выполняет сотни или тысячи независимых симуляций MMAR на заданном горизонте прогнозирования и возвращает полный результат прогноза: среднюю волатильность, стандартное отклонение, медиану и 95-процентный доверительный интервал. Результат отвечает на важный для торговли вопрос: "Какова ожидаемая волатильность на следующих N барах и насколько мы в этом уверены?"
Автор: Muhammad Minhas Qamar