記事「MetaTrader 5で隠れマルコフモデルを統合する」についてのディスカッション

[MetaQuotes]

新しい記事「MetaTrader 5で隠れマルコフモデルを統合する」はパブリッシュされました:

この記事では、Pythonを使用して学習した隠れマルコフモデルをMetaTrader 5アプリケーションに統合する方法を示します。隠れマルコフモデルは、時系列データをモデル化するために使用される強力な統計的ツールであり、モデル化されるシステムは観測不可能な（隠れた）状態によって特徴付けられます。HMMの基本的な前提は、ある時刻にある状態にある確率は、その前のタイムスロットにおけるプロセスの状態に依存するということです。

隠れマルコフモデルは、時系列データをモデル化するために使用される強力な統計的ツールであり、モデル化されるシステムは観測不可能な（隠れた）状態によって特徴付けられます。HMMの基本的な前提は、ある時刻にある状態にある確率は、その前のタイムスロットにおけるプロセスの状態に依存するということです。この依存関係はHMMの記憶を表しています。

金融時系列では、その時系列が上昇トレンドにあるか、下降トレンドにあるか、あるいは特定の範囲内で振動しているかを表す。金融指標を使ったことがある人なら誰でも、金融時系列に内在するノイズによって引き起こされるウィップソー効果に精通しています。HMMは、このような誤ったシグナルをフィルタリングし、根本的なトレンドをより明確に理解するために採用することができます。

HMMを構築するには、プロセスを定義する振る舞いの全体性を捕らえる観測が必要です。このデータのサンプルは、適切なHMMのパラメータを学習するために使用されます。このデータセットは、モデル化されるプロセスのさまざまな特徴で構成されます。例えば、ある金融資産の終値を研究する場合、終値に関連する他の側面、例えば、理想的には、私たちが興味を持っている隠れた状態を定義するのに役立つ様々な指標も含めることができます。

モデルパラメータの学習プロセスは、モデル化される系列が常に2つ以上の状態のいずれかにあるという仮定の下でおこなわれます。状態は単純に0からS-1と表示されます。これらの状態に対して、プロセスがある状態から別の状態に切り替わる可能性を捕らえる確率のセットを割り当てなければなりません。これらの確率は通常、遷移行列と呼ばれます。最初の観測は、それぞれの可能な状態にあるための特別な初期確率のセットを持っています。観測が特定の状態にある場合、その状態に関連する特定の分布に従うことが期待されます。

したがって、HMMは4つの特性によって完全に定義されます。

• 想定する状態の数
• 最初の観測がいずれかの状態である初期確率
• 確率の遷移行列
• 各状態の確率密度関数

作者: Francis Dube