ARIMA เป็นโมเดลสำหรับการพยากรณ์ข้อมูลที่เปลี่ยนแปลงตามเวลา เช่น ยอดขาย หุ้น หรืออัตราเงินเฟ้อ โดยอาศัยความสัมพันธ์ของข้อมูลในอดีตเพื่อทำนายอนาคต เหมาะสำหรับข้อมูลที่มีแนวโน้มและไม่มีรูปแบบฤดูกาลชัดเจน

ส่วนประกอบของ ARIMA

1. AR (AutoRegressive): ใช้ข้อมูลในอดีต (Lagged Values) ทำนายค่าปัจจุบัน
2. I (Integrated): ทำข้อมูลให้คงที่ (Stationary) ด้วยการหาความแตกต่าง (Differencing)
3. MA (Moving Average): ใช้ค่าความผิดพลาด (Errors) ในอดีตมาปรับปรุงการพยากรณ์

พารามิเตอร์ของ ARIMA

• p: จำนวน Lag ที่ใช้ในส่วน AR
• d: ระดับของการ Differencing
• q: จำนวน Lag ที่ใช้ในส่วน MA

ขั้นตอนการใช้งาน ARIMA

1. เตรียมข้อมูล: ตรวจสอบความคงที่ (Stationarity) และปรับด้วย Differencing หากจำเป็น
2. เลือกพารามิเตอร์ (p, d, q): ใช้ ACF (Autocorrelation Function) และ PACF (Partial Autocorrelation Function)
3. สร้างโมเดลและพยากรณ์: ใช้โมเดล ARIMA ทำนายค่าข้อมูลในอนาคต

โค้ดตัวอย่าง EA ที่ใช้โมเดล ARIMA ใน MQL4

ด้านล่างนี้คือโครงสร้างของ EA (Expert Advisor) สำหรับ MetaTrader 4:

ส่วนกำหนดคุณสมบัติ

#property copyright "James Albert"

#property link      "https://www.mql5.com"

#property version   "1.00"

#property strict

• ระบุชื่อเจ้าของ EA, ลิงก์อ้างอิง และเวอร์ชัน

พารามิเตอร์นำเข้า (Input Parameters)

input int p = 1;       // AR order

input int d = 1;       // Differencing order

input int q = 1;       // MA order

input int forecast_horizon = 1; // ระยะเวลาพยากรณ์ (bars)

ตัวแปรเก็บข้อมูล

double coeffAR[];      // ค่าสัมประสิทธิ์ AR

double coeffMA[];      // ค่าสัมประสิทธิ์ MA

double forecast;       // ค่าที่พยากรณ์

double PriceSeries[];  // ชุดข้อมูลราคา

ฟังก์ชันเริ่มต้นและปิดการทำงาน

int OnInit()

{

   Print("ARIMA Forecast EA Initialized.");

   return(INIT_SUCCEEDED);

}

 

void OnDeinit(const int reason)

{

   Print("ARIMA Forecast EA Deinitialized.");

}

ฟังก์ชัน OnTick

void OnTick()

{

   Arisma();

}

ฟังก์ชัน Arisma

  1. ตรวจสอบข้อมูล:

if(Bars < p + d + q + forecast_horizon)

{

   Print("Not enough data for ARIMA model.");

   return;

}

   2. คำนวณ Differencing:

ArraySetAsSeries(PriceSeries, true);

CopyClose(Symbol(), Period(), 0, Bars, PriceSeries);

 

double diffPrices[];

ArrayResize(diffPrices, Bars - d);

for(int i = d; i < Bars; i++)

{

   diffPrices[i - d] = PriceSeries[i] - PriceSeries[i - d];

}

  3. กำหนดค่าสัมประสิทธิ์ AR และ MA:

ArrayResize(coeffAR, p);

ArrayResize(coeffMA, q);

for(int i = 0; i < p; i++) coeffAR[i] = 0.5;

for(int i = 0; i < q; i++) coeffMA[i] = 0.5;

  4. คำนวณค่าพยากรณ์:

forecast = 0.0;

 

for(int i = 0; i < p; i++)

   forecast += coeffAR[i] * diffPrices[Bars - d - 1 - i];

 

for(int i = 0; i < q; i++)

   forecast += coeffMA[i] * (PriceSeries[Bars - 1 - i] - diffPrices[Bars - d - 1 - i]);

 

forecast += PriceSeries[Bars - d - 1];

    5. ตรรกะการซื้อขาย:

double currentPrice = Close[0];

if(forecast > currentPrice)

{

   if(OrdersTotal() == 0)

      OrderSend(Symbol(), OP_BUY, 0.01, Ask, 3, 0, 0, "Buy based on ARIMA forecast", 0, 0, Blue);

}

else if(forecast < currentPrice)

{

   if(OrdersTotal() == 0)

      OrderSend(Symbol(), OP_SELL, 0.01, Bid, 3, 0, 0, "Sell based on ARIMA forecast", 0, 0, Red);

}

ขั้นตอนการใช้งาน

1. ติดตั้ง EA บน MetaTrader 4:
   • วางโค้ดในโฟลเดอร์ Experts
   • คอมไพล์โค้ดใน MetaEditor
   • ติดตั้ง EA บนกราฟ
2. ปรับค่าพารามิเตอร์:
   • กำหนดค่า p, d, q ให้เหมาะสมกับตลาด
3. ทดสอบบนบัญชีเดโม่ก่อนใช้งานจริง

ข้อควรระวัง

• ตัวอย่างนี้ไม่ได้ Optimize หรือ Train โมเดลอย่างเต็มรูปแบบ
• ควรปรับแต่งค่าสัมประสิทธิ์ AR และ MA ให้เหมาะสม
• ทดสอบ EA ก่อนใช้งานจริงเสมอ

หมายเหตุ: โค้ดนี้เป็นเพียงตัวอย่างเบื้องต้น ผู้ใช้งานสามารถปรับปรุงเพื่อเพิ่มประสิทธิภาพตามความต้องการ.

Source Code :

//+------------------------------------------------------------------+

//|                                                @ARIMA Forecast EA.mq4 |

//|                                                                   James Albert |

//|                                                     https://www.mql5.com |

//+------------------------------------------------------------------+

#property copyright "James Albert"

#property link      "https://www.mql5.com"

#property version   "1.00"

#property strict

 

// Input parameters for ARIMA settings

input int p = 1;       // AR order

input int d = 1;       // Differencing order

input int q = 1;       // MA order

input int forecast_horizon = 1; // Forecast horizon (in bars)

 

// Global variables

double coeffAR[];  // Coefficients for AR terms

double coeffMA[];  // Coefficients for MA terms

double forecast;   // Forecasted price value

 

double PriceSeries[];  // Historical price series

 

//+------------------------------------------------------------------+

//| Expert initialization function                                              |

//+------------------------------------------------------------------+

int OnInit()

{

   Print("ARIMA Forecast EA Initialized.");

   return(INIT_SUCCEEDED);

}

 

 

//+------------------------------------------------------------------+

//| Expert deinitialization function                                          |

//+------------------------------------------------------------------+

void OnDeinit(const int reason)

{

   Print("ARIMA Forecast EA Deinitialized.");

}

 

//+------------------------------------------------------------------+

//| Expert tick function                                                         |

//+------------------------------------------------------------------+

void OnTick()

{

  Arisma();

}

 

//+------------------------------------------------------------------+

//| Arisma function                                                               |

//+------------------------------------------------------------------+

void Arisma()

{

   int totalBars = Bars;

 

   // Ensure we have enough data

   if(totalBars < p + d + q + forecast_horizon)

   {

      Print("Not enough data for ARIMA model.");

      return;

   }

 

   // Get historical prices

   ArraySetAsSeries(PriceSeries, true);

   CopyClose(Symbol(), Period(), 0, totalBars, PriceSeries);

 

   // Perform differencing (d order)

   double diffPrices[];

   ArrayResize(diffPrices, totalBars - d);

   for(int i = d; i < totalBars; i++)

   {

      diffPrices[i - d] = PriceSeries[i] - PriceSeries[i - d];

   }

 

   // Fit AR and MA coefficients (simplified example: random initialization)

   ArrayResize(coeffAR, p);

   ArrayResize(coeffMA, q);

   for(int i = 0; i < p; i++) coeffAR[i] = 0.5; // Example AR coefficients

   for(int i = 0; i < q; i++) coeffMA[i] = 0.5; // Example MA coefficients

 

   // Forecast next price (simplified ARIMA calculation)

   forecast = 0.0;

 

   // Apply AR terms

   for(int i = 0; i < p; i++)

   {

      forecast += coeffAR[i] * diffPrices[totalBars - d - 1 - i];

   }

 

   // Apply MA terms

   for(int i = 0; i < q; i++)

   {

      forecast += coeffMA[i] * (PriceSeries[totalBars - 1 - i] - diffPrices[totalBars - d - 1 - i]);

   }

 

   // Reverse differencing to get actual price forecast

   forecast += PriceSeries[totalBars - d - 1];

 

   // Output forecasted price

   Print("Forecasted Price: ", forecast);

 

   // Example: Trading logic based on forecast

   double currentPrice = Close[0];

   int ticket;

   if(forecast > currentPrice)

   {

      if(OrdersTotal() == 0) // Open a buy order if no orders are open

      {

         ticket = OrderSend(Symbol(), OP_BUY, 0.01, Ask, 3, 0, 0, "Buy based on ARIMA forecast", 0, 0, Blue);

         if(ticket < 0)

            Print("OrderSend failed with error #", GetLastError());

      }

   }

   else if(forecast < currentPrice)

   {

      if(OrdersTotal() == 0) // Open a sell order if no orders are open

      {

         ticket = OrderSend(Symbol(), OP_SELL, 0.01, Bid, 3, 0, 0, "Sell based on ARIMA forecast", 0, 0, Red);

         if(ticket < 0)

            Print("OrderSend failed with error #", GetLastError());

      }

   }

}