В данной статье реализован скалярный фильтр Калмана для сглаживания цены в MQL5 с использованием стандартной модели локального уровня и точных уравнений прогнозирования и коррекции. В статье объясняется, как шум процесса и шум измерения (Q, R) определяют коэффициент усиления Калмана, два независимо настроенных фильтра объединяются в систему на основе пересечения быстрой и медленной линий, а также приводятся полностью реализованные индикатор и советник. Советник получает данные индикатора через iCustom и торгует по сигналу, подтвержденному правилом устойчивости. Это дает воспроизводимую основу для тестирования и настройки.
Большинство инструментов следования за трендом сталкиваются с принципиальным выбором: быстро реагировать на новые движения цены и мириться с большим количеством шума или сильно сглаживать данные и мириться с большей задержкой. Скользящая средняя неявно задает этот компромисс длиной своего периода, не предоставляя явного способа определить, насколько следует доверять новой цене по сравнению с собственной априорной оценкой.
Фильтр Калмана, разработанный Рудольфом Калманом в 1960 году и широко известный благодаря применению в навигации космических аппаратов в рамках программы "Аполлон", подходит к решению этой задачи иначе. Вместо использования фиксированной схемы взвешивания фильтр на каждом шаге поддерживает явную оценку собственной неопределенности и на ее основе математически точно вычисляет, какой вес следует присвоить новому наблюдению. Когда фильтр уверен в своей текущей оценке, он опирается на нее. Когда новое наблюдение информативнее ранее полученных данных, фильтр опирается уже на него. Этот вес — коэффициент усиления Калмана — не задается напрямую: он детерминированно вычисляется по выбираемым вручную параметрам шума Q и R и сходится к установившемуся значению, определяемому их отношением. Сама формула коэффициента усиления не требует ручной настройки, однако значения входных параметров Q и R, определяющих ее работу, по-прежнему выбираются пользователем.
На практике применение фильтра Калмана к данным о ценах сопряжено с тремя конкретными проблемами:
Выбор подходящей базовой модели — фильтр Калмана представляет собой общую методологию, а не отдельную формулу, и требует наличия явной модели, описывающей предполагаемую эволюцию состояния между наблюдениями, прежде чем можно будет применить какие-либо математические методы фильтрации.
Два параметра шума без очевидных значений по умолчанию — поведение фильтра полностью определяется двумя дисперсиями: дисперсией шума процесса и дисперсией шума измерения. В отличие от скользящей средней с ее единственным входным параметром — периодом, для этих двух параметров нет столь же интуитивно понятных начальных значений.
Корректное сохранение состояния при рекурсивных вычислениях — как и у каузальных фильтров, рассмотренных в других статьях этой серии, выходное значение фильтра Калмана на любом баре полностью зависит от его собственного состояния на предыдущем баре. Даже небольшая ошибка в инициализации этой рекурсии приводит к результатам, которые выглядят правдоподобно, но математически некорректны.
В этой статье подробно разбираются все три проблемы с использованием точных стандартных уравнений фильтра Калмана из источников по теории управления и статистике, а не упрощенного или специально адаптированного для торговли варианта алгоритма. Перед реализацией математическая основа проверяется независимо, два независимо настроенных фильтра объединяются в практическую торговую систему на основе пересечения их линий, а индикатор и советник полностью разрабатываются с нуля с подробным объяснением.
Для авторизации и пользования сайтом MQL5.com необходимо разрешить использование файлов Сookie.
Пожалуйста, включите в вашем браузере данную настройку, иначе вы не сможете авторизоваться.
Вы вошли в аккаунт. Двухфакторная аутентификация отключена. Настройте её заново и отсканируйте новый QR-код или продолжите с отключённой двухфакторной аутентификацией.
Опубликована статья Фильтр Калмана для сглаживания цены: точная реализация на MQL5:
Большинство инструментов следования за трендом сталкиваются с принципиальным выбором: быстро реагировать на новые движения цены и мириться с большим количеством шума или сильно сглаживать данные и мириться с большей задержкой. Скользящая средняя неявно задает этот компромисс длиной своего периода, не предоставляя явного способа определить, насколько следует доверять новой цене по сравнению с собственной априорной оценкой.
Фильтр Калмана, разработанный Рудольфом Калманом в 1960 году и широко известный благодаря применению в навигации космических аппаратов в рамках программы "Аполлон", подходит к решению этой задачи иначе. Вместо использования фиксированной схемы взвешивания фильтр на каждом шаге поддерживает явную оценку собственной неопределенности и на ее основе математически точно вычисляет, какой вес следует присвоить новому наблюдению. Когда фильтр уверен в своей текущей оценке, он опирается на нее. Когда новое наблюдение информативнее ранее полученных данных, фильтр опирается уже на него. Этот вес — коэффициент усиления Калмана — не задается напрямую: он детерминированно вычисляется по выбираемым вручную параметрам шума Q и R и сходится к установившемуся значению, определяемому их отношением. Сама формула коэффициента усиления не требует ручной настройки, однако значения входных параметров Q и R, определяющих ее работу, по-прежнему выбираются пользователем.На практике применение фильтра Калмана к данным о ценах сопряжено с тремя конкретными проблемами:
В этой статье подробно разбираются все три проблемы с использованием точных стандартных уравнений фильтра Калмана из источников по теории управления и статистике, а не упрощенного или специально адаптированного для торговли варианта алгоритма. Перед реализацией математическая основа проверяется независимо, два независимо настроенных фильтра объединяются в практическую торговую систему на основе пересечения их линий, а индикатор и советник полностью разрабатываются с нуля с подробным объяснением.
Автор: Syed Jawad Hussain Naqvi