Discusión sobre el artículo "Características del Wizard MQL5 que debe conocer (Parte 12): Polinomio de Newton"
Está perdiendo oportunidades comerciales:
- Aplicaciones de trading gratuitas
- 8 000+ señales para copiar
- Noticias económicas para analizar los mercados financieros
Registro
Entrada
Usted acepta la política del sitio web y las condiciones de uso
Si no tiene cuenta de usuario, regístrese
Artículo publicado Características del Wizard MQL5 que debe conocer (Parte 12): Polinomio de Newton:
El polinomio de Newton, que crea ecuaciones cuadráticas a partir de un conjunto de unos pocos puntos, es un enfoque arcaico pero interesante para observar una serie temporal. En este artículo tratamos de explorar qué aspectos podrían ser de utilidad para los operadores desde este enfoque, así como abordar sus limitaciones.
El análisis de series temporales desempeña un papel importante no sólo como apoyo al análisis fundamental, sino que en mercados muy líquidos como el de divisas, puede ser el principal impulsor de las decisiones sobre cómo posicionarse en los mercados. Los indicadores técnicos tradicionales han tendido a ir muy por detrás del mercado, lo que les ha hecho perder el favor de la mayoría de los operadores, dando lugar al surgimiento de alternativas, de las cuales la más predominante en estos momentos son las redes neuronales. Pero, ¿qué pasa con la interpolación polinómica?
Presentan algunas ventajas, principalmente por ser fáciles de entender y aplicar, ya que presentan explícitamente la relación entre las observaciones pasadas y las previsiones futuras en una ecuación sencilla. Esto ayuda a comprender cómo influyen los datos pasados en los valores futuros, lo que a su vez permite desarrollar conceptos amplios y posibles teorías sobre el comportamiento de las series temporales estudiadas.
Además, al ser adaptables tanto a relaciones lineales como cuadráticas, son flexibles a diversas series temporales y, quizá más pertinente para los operadores, capaces de hacer frente a distintos tipos de mercado (por ejemplo, mercados con oscilaciones frente a mercados con tendencias o volátiles frente a mercados en calma).
Además, no suelen consumir muchos recursos informáticos y son relativamente ligeras si se comparan con enfoques alternativos como las redes neuronales. De hecho, el modelo o modelos examinados en este artículo no tienen requisitos de almacenamiento del tipo que necesitaría, por ejemplo, una red neuronal en la que, dependiendo de su arquitectura, es necesario almacenar los pesos y sesgos óptimos después de cada sesión de entrenamiento.
Autor: Stephen Njuki