Discussão do artigo "Vantagens do Assistente MQL5 que você precisa saber (Parte 12): Polinômio de Newton"
Você está perdendo oportunidades de negociação:
- Aplicativos de negociação gratuitos
- 8 000+ sinais para cópia
- Notícias econômicas para análise dos mercados financeiros
Registro
Login
Você concorda com a política do site e com os termos de uso
Se você não tem uma conta, por favor registre-se
Novo artigo Vantagens do Assistente MQL5 que você precisa saber (Parte 12): Polinômio de Newton foi publicado:
O polinômio de Newton, que cria equações quadráticas a partir de um conjunto de vários pontos, é uma abordagem arcaica, mas interessante para a análise de séries temporais. Neste artigo, tentaremos explorar quais aspectos dessa abordagem podem ser úteis para os traders, bem como eliminar suas limitações.
A análise de séries temporais desempenha um papel importante não apenas como parte da análise fundamental. Em mercados muito líquidos, como o forex, pode ser um fator chave na tomada de decisões. Os indicadores técnicos tradicionais tendem a estar muito atrasados em relação ao mercado, o que levou ao surgimento de alternativas. Talvez as mais populares até o momento sejam as redes neurais. Mas e a interpolação polinomial?
Ela apresenta algumas vantagens, principalmente porque é fácil de entender e implementar, pois a interpolação representa claramente a relação entre observações passadas e previsões futuras em uma equação simples. Isso ajuda a entender como os dados passados influenciam os valores futuros, o que, por sua vez, leva ao desenvolvimento de conceitos amplos e possíveis teorias sobre o comportamento das séries temporais estudadas.
Além disso, a capacidade de adaptação tanto a relações lineares quanto quadráticas a torna flexível para várias séries temporais e, possivelmente, mais adequada para traders que trabalham com diferentes tipos de mercados (por exemplo, lateralizado versus tendência ou volatilidade versus mercado calmo).
Além disso, a interpolação geralmente não requer grandes recursos computacionais e é relativamente simples em comparação com abordagens alternativas, como redes neurais. De fato, os modelos discutidos neste artigo não têm requisitos de memória, o que não se pode dizer de uma rede neural, que, dependendo de sua arquitetura, requer espaço para armazenar um grande número de pesos e desvios ótimos após cada sessão de treinamento.
Autor: Stephen Njuki