ARIMA-Prognosen in MQL5: Eingaben, Differenzierung und Wiederverwendung

Zusammenfassung

Der Artikel erweitert eine MQL5-ARIMA-Klasse um einfachere Prognosemethoden sowie das Speichern und Laden von Modellen. Er erklärt, warum Prognosen genügend Eingabebeobachtungen benötigen: Autoregressive Terme erfordern verzögerte Werte, nicht zusammenhängende Lags bewahren dazwischenliegende Zeitpositionen, und Differenzierung verbraucht Beobachtungen. Daher müssen Prognosen zurück auf die ursprüngliche Datenskala integriert werden. Für gleitende Mittelwertterme stehen dem Modell keine zukünftigen Innovationen zur Verfügung. Deshalb initialisiert es Fehler, indem es vor der gewünschten Prognose wiederholt Vorhersagen auf Basis bekannter Daten berechnet.

Der Artikel warnt außerdem, dass Mehrschrittprognosen umso weniger aussagekräftig werden, je weiter sie über beobachtete Werte hinausreichen. Sind tatsächliche zukünftige Fehler nicht verfügbar, müssen Beiträge des gleitenden Mittels als null behandelt werden; die Prognosen werden dann von den verbleibenden autoregressiven Termen oder der Konstante bestimmt. Gespeicherte Modelldateien enthalten Modellordnungen, Parameter und einen Wert für die Summe der Fehlerquadrate, sodass das Modell in einem Indikator oder Expert Advisor verwendet werden kann. Eine einfache Forex-Anwendung dient als Demonstration; der Artikel sagt ausdrücklich, dass das richtungsbasierte Beispiel nicht im Live-Handel eingesetzt werden sollte. Er bietet Implementierungshinweise, aber keine Belege für Vorhersagegenauigkeit oder Profitabilität.

Kernaussagen

• ARIMA-Prognosen benötigen Eingaben, die für die größten Lags und die Differenzierungsordnung des Modells ausreichen.
• Für Prognosen mit gleitendem Mittel sind anfängliche Fehlerschätzungen nötig, die aus wiederholten Vorhersagen auf bekannten Daten abgeleitet werden.
• Differenzierte Prognosen müssen mithilfe der Eingabedaten reintegriert werden, um zur ursprünglichen Skala zurückzukehren.
• Bei weit in die Zukunft reichenden Prognosen fehlen Beiträge des gleitenden Mittels, wenn zukünftige Innovationen unbekannt sind.
• Modelle lassen sich speichern und laden, um sie in MQL5-Indikatoren und Expert Advisors zu verwenden.

Schlagwörter

Diese Zusammenfassung wurde vom Research-Agenten von Stratmill anhand des Originals verfasst; sie ist keine Kopie der Quelle.