Обсуждение статьи "Неопределённость как модель (Часть 9): Процессы авторегрессии"

[MetaQuotes]

Опубликована статья Неопределённость как модель (Часть 9): Процессы авторегрессии:

Статья описывает законченный конвейер моделирования ковариационно-стационарных временных рядов с помощью ARMA(p, q) в MQL5. Реализованы расчёт ACF/PACF, построение коррелограмм и автоматический подбор порядков по критериям AIC и BIC, а также аудит остатков: QQ-plot, эмпирическая плотность и LM-тест Бройша—Годфри. На примере дневной волатильности EURCHF показано, как идентифицировать модель и проверить, что ошибки представляют белый шум.

При разработке торговых роботов и индикаторов автоматизация анализа рыночной динамики неизбежно сталкивается с проблемой извлечения системных закономерностей из хаотичного ценового шума. Пытаясь найти математически строгие инструменты, алготрейдеры часто обращаются к классике эконометрики — моделям авторегрессии и скользящего среднего (ARMA). Однако их практическое применение на реальных котировках порождает серию критических проблем:

Формально модель ARMA определяется как регрессионная модель, в которой регрессоры делятся на две группы. К первой относятся константа и лаги (предыдущие значения) самой целевой переменной Y, а ко второй — лаги ошибки модели ε:

Модель ARMA традиционно привлекает внимание разработчиков торговых систем, поскольку она идеально укладывается в главный постулат технического анализа: "история повторяется", а динамика цен имеет внутреннюю память. Вместо поиска внешних причин модель ищет паттерны в самой структуре ценового ряда. На выходе трейдер получает не просто точечный прогноз математического ожидания (куда пойдёт цена на следующем баре), но и вероятностный доверительный интервал. Последний имеет колоссальное прикладное значение: его границы служат математически обоснованными уровнями для выставления стоп-лоссов или шага сетки ордеров.

В реальном трейдинге базовую модель ARMA часто приходится модифицировать. Для финансовых рынков критически важен учёт сезонности (модели SARMA) или добавление внешних, неценовых предикторов вроде объёмов, показаний индикаторов или макроэкономических данных (модели ARMAX). Однако любые надстройки сохраняют фундамент авторегрессии, а значит, и её базовые свойства, сильные стороны и ограничения.

Автор: Aleksey Nikolayev