Diskussion zum Artikel "Prognose mit ARIMA-Modellen in MQL5"
Sie verpassen Handelsmöglichkeiten:
- Freie Handelsapplikationen
- Über 8.000 Signale zum Kopieren
- Wirtschaftsnachrichten für die Lage an den Finanzmärkte
Registrierung
Einloggen
Sie stimmen der Website-Richtlinie und den Nutzungsbedingungen zu.
Wenn Sie kein Benutzerkonto haben, registrieren Sie sich
Neuer Artikel Prognose mit ARIMA-Modellen in MQL5 :
In diesem Artikel setzen wir die Entwicklung der CArima-Klasse zur Erstellung von ARIMA-Modellen fort, indem wir intuitive Methoden hinzufügen, die Vorhersagen ermöglichen.
Es ist allgemein bekannt, dass ARIMA-Modelle auf zeitlichen Abhängigkeiten in einem Datensatz beruhen. Um eine oder mehrere Vorhersagen zu treffen, müssen wir das Modell mit einer Reihe von Eingabedaten füttern. Die Spezifikation des Modells bestimmt die Mindestgröße der Eingangsreihen. Wenn man dies weiß, wird klar, dass bei unzureichenden Eingangsreihen keine Vorhersagen möglich sind oder zumindest die Vorhersagen das angewandte Modell nicht widerspiegeln werden. Die verschiedenen Arten von ARIMA-Modellen stellen unterschiedliche Anforderungen an die Größe der Eingangsreihen, die über die Ordnung des Modells hinausgehen.
Die Implementierung von Vorhersagen für reine autoregressive Modelle ist trivial, da nur Eingaben erforderlich sind, die der größten Verzögerung des Modells entsprechen. Gemischte Modelle, die gleitende Durchschnittswerte verwenden, verursachen Probleme bei der Erstellung von Prognosen. Wir haben noch keine aktuellen Fehler- oder Innovationsreihen. Um dieses Problem zu lösen, müssen wir zunächst entscheiden, wie die Anfangswerte der Fehler berechnet werden sollen.
Bei diesem Verfahren werden zunächst alle verfügbaren Modellparameter verwendet, um den Anfangszustand des Modells zu erhalten, bei dem alle Terme des gleitenden Durchschnitts ausgeschlossen sind, da sie in diesem Stadium als 0 angenommen werden. Anschließend werden die bekannten Zeitreihen zur Berechnung der anfänglichen Fehlerwerte verwendet, indem eine Reihe redundanter Vorhersagen durchlaufen werden, die nichts mit den endgültigen Vorhersagen zu tun haben, an denen wir letztendlich interessiert sind. Dies stellt natürlich höhere Anforderungen an die Anzahl der für die Vorhersage benötigten Eingaben. Entscheidend ist hier, wie viele redundante Vorhersagezyklen durchgeführt werden müssen, um geeignete Fehlerserienwerte für gültige Vorhersagen zu erhalten.
Autor: Francis Dube