文章 "数据科学与机器学习（第四十四部分）：利用向量自回归（VAR）预测外汇 OHLC 时间序列"

MetaQuotes 2026.08.03 14:55

本文探讨如何使用向量自回归（VAR）模型预测外汇 OHLC（开盘价、最高价、最低价、收盘价）时间序列数据。文章涵盖 VAR 模型的实现、模型训练以及在 MetaTrader 5 中的实时预测，帮助交易者分析相互关联的货币走势，改进交易策略。

这是一种传统的统计时间序列预测工具，用于研究多个时间序列变量之间的动态关系。与单变量自回归模型（如 ARIMA，在上一篇文章中讨论过）仅基于自身历史值预测单个变量不同，VAR 模型研究多个变量之间的相互关联性。

它们通过将每个变量建模为不仅是其自身历史值的函数，也是系统中其他变量历史值的函数来实现这一点。在本文中，我们将探讨向量自回归的基本原理及其在交易中的应用。

向量自回归由经济学家克莱夫・格兰杰于 20 世纪 60 年代首次提出。格兰杰的重大发现为理解和建模经济因素之间存在的动态相互作用奠定了框架。在 20 世纪 70 年代和 80 年代，VAR 模型在计量经济学和宏观经济学领域获得了显著发展。

该技术是自回归（AR）模型的多变量扩展。传统的 AR 模型（如 ARIMA）分析单个变量与其滞后值之间的关系，而 VAR 模型同时考虑多个变量。在 VAR 模型中，每个变量都对其自身的滞后值以及系统中其他变量的滞后值进行回归。