Обсуждение статьи "Регрессия на основе гауссовских процессов на MQL5: Краткосрочное прогнозирование цен с полосами неопределенности"

Опубликована статья Регрессия на основе гауссовских процессов на MQL5: Краткосрочное прогнозирование цен с полосами неопределенности:

В статье переработана модель прогнозирования на основе гауссовского процесса на чистом MQL5: входные данные характеризуют состояние рынка, а целевые переменные задаются непосредственно как логарифмические доходности за горизонт прогнозирования. В ней используются ядро Матерна 3/2, разложение Холецкого с обеспечением симметрии матрицы и адаптивной диагональной добавкой, стандартизированные целевые переменные и поиск по сетке в логарифмическом пространстве без побочного изменения состояния объекта. Советник торгует только тогда, когда z-оценка, рассчитанная с использованием дисперсии наблюдений, достигает заданного порога или превышает его, а торговое преимущество превышает текущий спред. Калибровка проверяется в тестере стратегий.

Качество работы гауссовского процесса определяется качеством подаваемых на вход данных. Особенно в случае с гауссовскими процессами возникает соблазн рассматривать модель как "черный ящик", который сам "выявит" структуру: достаточно подать на вход достаточно много точек и предоставить ядру всю работу. Эта статья посвящена тому, как противостоять этому искушению. Представленный здесь алгоритм прогнозирует краткосрочные изменения цены XAUUSD, обучаясь на логарифмической доходности предыдущего бара в качестве признака и на фактической логарифмической доходности за будущий горизонт прогнозирования в качестве целевой переменной. Обе величины реально характеризуют состояние рынка, а не служат условными заменителями. Это различие определяет все последующие проектные решения — от выбора ядра до фильтра уверенности советника.

Все реализовано на чистом MQL5 — без ALGLIB и внешних DLL. Модуль гауссовского процесса самостоятельно строит симметричную матрицу ядра, выполняет ее разложение Холецкого с адаптивной диагональной добавкой и разграничивает неопределенность модели относительно лежащего в основе данных тренда (латентную дисперсию) и неопределенность относительно будущей фактически наблюдаемой цены (дисперсию наблюдений, в которую вновь добавляется дисперсия шума). Поиск гиперпараметров выполняется в логарифмическом пространстве и не изменяет обученное состояние объекта в ходе поиска, поэтому при повторном обучении во время работы состояние модели не останется частично обновленным, если оценка одной из комбинаций завершится сбоем.

Сразу сделаю важную оговорку, поскольку от нее зависит понимание раздела 11: гауссовский процесс, обученный на единственном признаке — доходности с лагом, — в лучшем случае представляет собой диагностическую модель, которую стоит проверить. Содержит ли такая модель устойчивую прогнозную информацию для XAUUSD на таймфрейме M5 — именно тот открытый эмпирический вопрос, на который должна ответить проверка калибровки; само по себе определение признака этого не доказывает. В разделе 11 эта проверка описана полностью: запустите советник с включенным параметром InpLogCsv, дайте ему записать в журнал по одной строке на каждый прогноз, а затем сравните доли фактических исходов, попавших в заявленные моделью прогнозные полосы в одну и две сигмы, с уровнями 68% и 95% соответственно, которые подразумевает корректно заданное гауссовское прогнозное распределение. Эта методика конкретна и уже реализована в коде. Однако фактические показатели покрытия можно получить лишь после ее запуска, а в разделе 11 прямо указано, что уже измерено, а какие результаты еще не получены.


Автор: Adewumi Babatunde Gbadebo