移动平均线无疑是我们的 AI 模型进行预测的最佳指标。然而，我们可以通过严谨数据变换来进一步提高其准确性。本文将展示如何构建能够预测更远范围的AI模型，超越您目前所实现的水平，同时不会显著降低准确率。移动平均线的实用性确实令人惊叹。
上次我们讨论用 AI 预测移动平均线时，我提供了证据表明，移动平均线的值比未来价格水平更容易被我们的 AI 模型预测，相关文章链接在这里。不过为了让我们对所发现的结果更有信心，我在 200 多种不同的交易品种上训练了两个相同的 AI 模型，并比较了预测价格与预测移动平均线的准确率，结果表明，如果预测价格而不是移动平均线，准确率平均会下降 34%。
新文章 基于Python和MQL5的特征工程（第一部分）：为长期 AI 模型预测移动平均线已发布：
上次我们讨论用 AI 预测移动平均线时，我提供了证据表明，移动平均线的值比未来价格水平更容易被我们的 AI 模型预测，相关文章链接在这里。不过为了让我们对所发现的结果更有信心，我在 200 多种不同的交易品种上训练了两个相同的 AI 模型，并比较了预测价格与预测移动平均线的准确率，结果表明，如果预测价格而不是移动平均线，准确率平均会下降 34%。
平均而言，当预测移动平均线时，可以有望达到 70% 的准确率，而预测价格时的准确率为 52%。我们都知道，根据选择的时间周期不同，移动平均线指标并不总是紧密跟随价格水平，例如，价格可能在 20 根蜡烛图期间下跌，而移动平均线在同一区间内却在上升。这种背离对我们来说是不利的，因为我们有可能正确地预测了移动平均线的未来方向，但价格可能会出现背离。令人惊讶的是，我们观察到在所有市场中，背离率大致固定在 31% 左右，而我们预测背离的平均能力为 68%。
此外，预测背离的能力方差为 0.000041，而背离发生的方差为 0.000386。这表明我们的模型能够以可靠的方式进行自我修正。希望将 AI 应用于长期交易策略的社区成员应该考虑在更高的时间框架上采用这种替代方法。我们的讨论暂时仅限于 M1 时间框架，因为这一时间框架确保我们能够获得所有 297 个市场的足够数据，以便进行公平的比较。
有许多可能的原因可以解释为什么移动平均线比价格本身更容易预测。这可能是因为预测移动平均线更符合线性回归的理念，而预测价格则不然。线性回归假设数据是多个输入的线性组合（总和）：移动平均线是之前价格值的总和，这意味着线性假设是成立的。价格本身并不是现实世界变量的简单总和，而是许多变量之间复杂的相互关系。
作者：Gamuchirai Zororo Ndawana