Обсуждение статьи "Прогнозирование с помощью моделей ARIMA в MQL5"
Какая бестолковая штука.
Как только не извратился, результата не получил.
В статье прикреплен скриншот из тестера, у которого дикий профит-фактор, но низкий фактор восстановления. Что там такое может быть и как выглядит график - секрет.
Если у автора получилось что-то, то, видимо, это особая тайна.
Кстати, настройки отличаются от того, что в статье. В общем, странный контент.
Как только не извратился, результата не получил.
В статье прикреплен скриншот из тестера, у которого дикий профит-фактор, но низкий фактор восстановления. Что там такое может быть и как выглядит график - секрет.
Если у автора получилось что-то, то, видимо, это особая тайна.
Кстати, настройки отличаются от того, что в статье. В общем, странный контент.
Вы упускаете торговые возможности:
- Бесплатные приложения для трейдинга
- 8 000+ сигналов для копирования
- Экономические новости для анализа финансовых рынков
Регистрация
Вход
Вы принимаете политику сайта и условия использования
Если у вас нет учетной записи, зарегистрируйтесь
Опубликована статья Прогнозирование с помощью моделей ARIMA в MQL5:
В этой статье мы продолжаем разработку класса CArima для построения моделей ARIMA, добавляя интуитивно понятные методы прогнозирования.
Хорошо известно, что модели ARIMA полагаются на временные зависимости в наборе данных. Поэтому, чтобы сделать один или несколько прогнозов, нам нужно передать модели ряд входных данных. Спецификация модели определяет минимальный размер входного ряда. Зная это, становится очевидным, что, если входной ряд неверен, будет невозможно делать какие-либо прогнозы или, по крайней мере, прогнозы не будут отражать применяемую модель. Различные типы моделей ARIMA предъявляют различные требования к размеру входного ряда, помимо порядка модели.
Реализация прогнозов для чистых авторегрессионных моделей тривиальна, поскольку все, что требуется, — это входные данные, равные наибольшему отставанию модели. Смешанные модели, использующие термины скользящего среднего, создают проблемы при составлении прогнозов. У нас пока нет фактических серий ошибок или инноваций. Чтобы преодолеть это ограничение, мы должны сначала решить, как будут рассчитываться начальные значения ошибок.
Этот процесс включает в себя сначала использование любых доступных параметров модели для получения начального состояния модели, которое исключает любые члены скользящего среднего, поскольку на данном этапе они считаются равными 0. Затем известные значения ряда используются для вычисления начальных значений ошибки путем циклического перебора ряда избыточных прогнозов. Эти начальные прогнозы являются избыточными, поскольку они не будут иметь ничего общего с окончательными прогнозами, которые нас в конечном итоге интересуют. Это, очевидно, предъявляет более высокие требования к количеству входных данных, необходимых для прогнозирования. Здесь важно оценить, сколько избыточных циклов прогнозирования необходимо выполнить, чтобы получить подходящие значения серии ошибок для получения достоверных прогнозов.
Автор: Francis Dube