文章 "在 MQL5 中利用 ARIMA 模型进行预测" 新评论 MetaQuotes 2024.01.19 08:55 新文章 在 MQL5 中利用 ARIMA 模型进行预测已发布： 在本文中，我们继续开发构建 ARIMA 模型的 CArima 类，添加支持预测的直观方法。 众所周知，ARIMA 模型依赖于数据集中的时间依赖性。 因此，为了进行一次或更多的预测，我们需要向模型提供一序列输入数据。 模型的规格确定了输入序列的最小尺度。 知道了这一点，很明显，如果输入序列不充分，就不可能做出任何预测，或者说至少预测不能反映所应用的模型。 不同类型的 ARIMA 模型对输入序列的尺度提出了不同的要求，而不仅仅是模型的顺序。 实现纯自回归模型的预测是微不足道的，因为其所需只是输入与模型的最大滞后相等。 使用移动平均项的混合模型在进行预测时会产生问题。 我们还没有实际的误差或创新序列。 为了克服这一点，我们必须首先决定如何计算误差的初始值。 该过程事关首先采用任意可用的模型参数来获取模型的初始状态，其中不包括任何移动平均项，在此阶段假定它们为 0。 然后，依据已知的序列值，循环遍历批量冗余预测来计算初始误差值。这些初始预测是冗余的，因为它们与我们最终感兴趣的最终预测无关。 这显然对预测所需的输入数量提出了更高的要求。 与此对应的关键是，为了做出有效的预测，应该执行多少次冗余预测循环，才能得出合适的误差序列值。 作者：Francis Dube 新评论 您错过了交易机会： 免费交易应用程序 8,000+信号可供复制 探索金融市场的经济新闻 注册 登录 拉丁字符（不带空格） 密码将被发送至该邮箱 发生错误 使用 Google 登录 您同意网站政策和使用条款 如果您没有帐号，请注册 可以使用cookies登录MQL5.com网站。 请在您的浏览器中启用必要的设置，否则您将无法登录。 忘记您的登录名/密码？ 使用 Google 登录
新文章 在 MQL5 中利用 ARIMA 模型进行预测已发布：
在本文中，我们继续开发构建 ARIMA 模型的 CArima 类，添加支持预测的直观方法。
众所周知，ARIMA 模型依赖于数据集中的时间依赖性。 因此，为了进行一次或更多的预测，我们需要向模型提供一序列输入数据。 模型的规格确定了输入序列的最小尺度。 知道了这一点，很明显，如果输入序列不充分，就不可能做出任何预测，或者说至少预测不能反映所应用的模型。 不同类型的 ARIMA 模型对输入序列的尺度提出了不同的要求，而不仅仅是模型的顺序。
实现纯自回归模型的预测是微不足道的，因为其所需只是输入与模型的最大滞后相等。 使用移动平均项的混合模型在进行预测时会产生问题。 我们还没有实际的误差或创新序列。 为了克服这一点，我们必须首先决定如何计算误差的初始值。
该过程事关首先采用任意可用的模型参数来获取模型的初始状态，其中不包括任何移动平均项，在此阶段假定它们为 0。 然后，依据已知的序列值，循环遍历批量冗余预测来计算初始误差值。这些初始预测是冗余的，因为它们与我们最终感兴趣的最终预测无关。 这显然对预测所需的输入数量提出了更高的要求。 与此对应的关键是，为了做出有效的预测，应该执行多少次冗余预测循环，才能得出合适的误差序列值。
作者：Francis Dube