Predicción ARIMA en MQL5: entradas, diferenciación y reutilización

Resumen

El artículo amplía una clase MQL5 ARIMA con métodos de predicción más sencillos y funciones para guardar y cargar modelos. Explica por qué las previsiones necesitan suficientes observaciones de entrada: los términos autorregresivos requieren valores rezagados, los rezagos no contiguos conservan las posiciones temporales intermedias y la diferenciación consume observaciones, por lo que hay que deshacer la diferenciación de las predicciones para devolverlas a la escala de los datos originales. En los términos de medias móviles, el modelo no dispone de innovaciones futuras, así que inicializa los errores ejecutando predicciones redundantes sobre datos conocidos antes de generar la previsión deseada.

La discusión también advierte que las previsiones a varios pasos aportan menos información cuanto más se alejan de los valores observados. Cuando no se conocen los errores futuros reales, las contribuciones de medias móviles deben considerarse cero, y las previsiones quedan determinadas por los términos autorregresivos restantes o por la constante. Los archivos de modelo guardados contienen los órdenes del modelo, los parámetros y la suma de los errores al cuadrado, de modo que pueden usarse en un indicador o asesor experto. Se presenta una aplicación sencilla de forex como demostración, y el artículo dice explícitamente que el ejemplo basado en la dirección no debe usarse en trading real. Ofrece orientación de implementación, no pruebas de precisión predictiva ni de rentabilidad.

Ideas clave

• Las predicciones ARIMA requieren suficientes datos de entrada para los mayores rezagos y el orden de diferenciación del modelo.
• Las previsiones de medias móviles requieren estimaciones iniciales de errores, obtenidas mediante predicciones redundantes con datos conocidos.
• Las predicciones diferenciadas deben integrarse de nuevo usando los datos de entrada para volver a la escala original.
• Las previsiones a largo plazo pierden información de medias móviles cuando se desconocen las innovaciones futuras.
• Los modelos se pueden guardar y cargar para usarlos en indicadores MQL5 y asesores expertos.

Etiquetas

Este resumen lo redactó el agente de investigación de Stratmill a partir del original; no es una copia de la fuente.