ARMA (Autoregressive Moving Average) — Авторегрессионная скользящая средняя

Индикатор Autoregressive Moving Average (ARMA) — гибридный подход, сочетающий идеи авторегрессии (AR) и скользящей средней (MA). В практических реализациях под ARMA часто понимают адаптивную сглаживающую линию, которая прогнозирует текущее значение цены как линейную функцию предыдущих значений с учётом скользящего окна и/или весов, меняющихся во времени. Это не строго статистическая ARMA-модель из временных рядов (хотя концептуально близко), а индикатор, дающий адаптивное сглаживание с реактивностью на изменение волатильности и тренда. Индикатор Autoregressive Moving Average (ARMA) представляет собой метод статистического анализа временных рядов, используемый для моделирования и предсказания будущих значений на основе предыдущих наблюдений и случайных ошибок. Этот индикатор применяется в различных областях, включая финансы и экономику, в частности — в трейдинге для технического анализа финансовых рынков.

Общая модель ARMA была описана в диссертации 1951 года Питер Уиттл, Проверка гипотез при анализе временных рядов и это было популяризировано в книге 1970 года Джордж Э.П.Бокс и Гвилим Дженкинс.

Принцип работы
В классической статистике коэффициенты ARMA оцениваются с помощью функции автокорреляции (ACF) и частичной автокорреляции (PACF). Однако для торговых условий часто используют упрощённый подход: коэффициенты theta (θ) и epsilon (ε) фиксируют, автоматически вычисляя их на основе выбранных периодов AR и MA. Это устраняет необходимость в статистической оценке, делая индикатор удобным для применения с простыми настройками параметров.

Компоненты и свойства:
— Локальная авторегрессия: для вычисления значения индикатора в момент t используют модель вида y_t ≈ a + Σ_{i=1..p} φ_i y_{t-i} на окне последних N наблюдений; коэффициенты оцениваются по методу наименьших квадратов (OLS) или взвешенной регрессии.
— Скользящее окно / скользящая оценка: оценки коэффициентов пересчитываются при сдвиге окна, что даёт адаптивность.
— Взвешивание: используют веса по времени (экспоненциальное затухание), по обратной волатильности, по ошибке подгонки — чтобы ускорять реакцию при изменении рыночных условий и сглаживать в спокойный период.
— Регуляризация: L2 (ридж) или L1 (лассо) для стабилизации оценок в условиях малого окна или мультиколлинеарности.
— Параметр адаптивности: длина окна N, порядок p, коэффициент экспоненциального затухания α, метод расчёта весов — определяют баланс между задержкой и шумоподавлением.
— Выход индикатора: прогнозная (смещённая) линия значения цены в момент t (или одном шаге вперёд), которую можно трактовать как «адаптивную скользящую среднюю».

Преимущества:
— Быстрая адаптация к смене тренда при корректной настройке весов/параметров.
— Гибкость: можно включать регрессоры (объёмы, волатильность) для улучшения прогноза.
— Интерпретируемость коэффициентов (наклон, реактивность).

Ограничения:
— Риск переобучения при высокой степени свободы (длинный вектор φ_i, малое окно).
— Чувствительность к выбросам, если не применять робастные методы (взвешивание, усечение).
— В периоды флэта даёт ложные сигналы; требует фильтров по волатильности/наклону.

---

Формула расчёта Индикатора Autoregressive Moving Average

Ниже приведём практический вариант формулы, отражающий типичную реализацию ARMA-индикатора для трейдинга (локальная авторегрессия первого порядка с возможностью взвешивания). Для простоты рассмотрим порядок p = 1 (AR(1) на скользящем окне N). Обобщение на p>1 даётся отдельно.

Обозначения:
— y_t — цена (обычно close) в момент t.
— p — порядок авторегрессии.
— N — длина скользящего окна (число точек для оценки).
— w_i — вес для наблюдения i (i = 0..N-1), где i=0 — самое свежее в окне; для равновесного окна w_i = 1.
— α — параметр экспоненциального затухания (0<α≤1) при использовании эксповзвешивания (большие α → больше веса последним точкам). - X_t — вектор регрессоров для момента t: X_t = [y_{t-1}, y_{t-2}, …, y_{t-p}]^T. - β_t — вектор коэффициентов AR(p), оцененный на окне [t-N+1, …, t]. - ε_t — ошибка модели. Модель (AR(p)):
y_t = β_{t,1} y_{t-1} + β_{t,2} y_{t-2} + … + β_{t,p} y_{t-p} + ε_t.

Оценка коэффициентов на скользящем окне (в матричной форме с весами):
— Собрать Y = [y_{t-N+1+?}] (вектор ответов длины M = N-p) и дизайн-матрицу Φ размером M×p, где каждая строка — соответствующие лаги.
— Весовая матрица W = diag(w_1, …, w_M).

Обычная взвешенная оценка методом наименьших квадратов:
β_t = (Φ^T W Φ + λ I)^{-1} Φ^T W Y,
где λ ≥ 0 — параметр регуляризации (L2, для устойчивости).

Если использовать экспоненциальные веса по времени внутри окна (самая свежая точка имеет вес 1, предыдущая α, далее α^2 и т.д.), то для j-й строки (соответствующей моменту s в окне) вес:
w_j = α^{(t — s)} (или нормировать так, чтобы max w_j = 1).

Прогноз (сам индикатор — прогнозная линия):
ARMA_t (или AR_pred_t) = \hat{y}_t = X_t^T β_t = Σ_{k=1..p} β_{t,k} · y_{t-k}.

Упрощённый AR(1) на окне N (без весов, без регуляризации):
β_t = Σ_{i=1..N-1} (y_{t-i} · y_{t-i-1}) / Σ_{i=1..N-1} (y_{t-i-1}^2),
и прогноз: \hat{y}_t = β_t · y_{t-1}.

Вариант с экспоненциальной рекурсивной оценкой (EWMA-подобная онлайн-оценка для p=1):
β_t = β_{t-1} + γ · ( (y_{t} — β_{t-1} y_{t-1}) · y_{t-1} ) / (ε + y_{t-1}^2 ),
где γ — скорость обучения (малое), ε — малое число для стабильности. Этот вариант — рекурсивный RLS/SGD-подход для адаптивности.

Стабилизация и практические добавки:
— Нормировка лагов (centering/detrending) перед регрессией.
— Усечение выбросов: отброс точек с |residual| > k·σ_resid.
— Ограничение изменения коэффициентов: β_t ← clip(β_t, β_{t-1}-Δ, β_{t-1}+Δ).
— Регуляризация λ (обычно small, e.g., 1e-4 — 1e-2) для предотвращения переподгонки при малых N или больших p.

---

Применение в трейдинге Индикатора Autoregressive Moving Average

1. Прогнозирование рыночных движений: Используя исторические данные цены актива, трейдер может построить модель ARMA и спрогнозировать будущие изменения стоимости активов. Это помогает в определении точек входа и выхода из сделок.

2. Анализ волатильности рынка: Оценка динамики дисперсий позволяет выявлять периоды повышенной активности и риска, помогая управлять капиталом и выбирать оптимальные стратегии торговли.

3. Определение торговых сигналов: Индикаторы, построенные на основе модели ARMA, могут использоваться для выявления трендов и разворотных моментов. Например, пересечения сигнальной линии и основного графика могут служить сигналами для покупки/продажи активов.

4. Оценка эффективности стратегий: Модель ARMA может применяться для тестирования исторических результатов различных торговых стратегий и оценки потенциальной доходности перед внедрением их в реальную торговлю.

5. Определение направления тренда — наклон и положение линии ARMA помогают понять, является ли рынок бычьим или медвежьим.

Однако важно помнить, что точность прогнозов зависит от качества исходных данных и правильного выбора порядка моделей AR и MA. Для повышения точности рекомендуется проводить регулярную калибровку модели, учитывать внешние факторы и комбинировать ARMA с другими методами анализа.

Таким образом, применение индикатора ARMA в трейдинге позволяет трейдерам лучше понимать динамику рынка, улучшать качество принимаемых решений и повышать эффективность своей торговой деятельности.