外推指标基于多种方法，用户可以通过方法输入变量进行选择：
方法 1：傅里叶外推；使用Quinn-Fernandes算法计算频率。
方法 2：自相关法。
方法 3：加权Burg法。
方法 4：带Helme-Nikias加权函数的Burg法。
方法 5：Itakura-Saito（几何）法。
方法 6：修正协方差法。
方法2到方法6都是线性预测的方法。线性预测是基于将未来值视为过去值的线性函数来进行的。假设我们有一组价格 x[0]..x[n-1]，其中较高的索引代表最近的价格。未来价格 x[n] 的预测计算方式如下：
x[n] = -Sum(a[i]*x[n-i], i=1..p)
其中，a[i=1..p] 是模型的系数，p 是模型的阶数。上述列出的2-6方法通过降低训练最后 n-p 根K线的均方根误差来求解系数 a[]。当然，如果直接使用Levinson-Durbin方法求解提到的方程组（n=2*p），我们可以达到零误差的预测。这种预测方法被称为Prony方法，但其缺点是预测未来值时的不稳定性，因此未被包含在内。
其他输入参数包括：
- LastBar：过去数据中的最后一根K线编号。
- PastBars：用于预测未来值的过去K线数量。
- LPOrder：线性模型的阶数，表示为过去K线数量的分数（0..1）。
- FutBars：预测的未来K线数量。
- HarmNo：方法1的最大频率数量（0表示所有频率）。
- FreqTOL：方法1中频率计算的精度（如果>0.001则无法收敛）。
- BurgWin：方法2的加权函数数量（0=矩形，1=汉明，2=抛物线）。
该指标绘制了两条线：蓝线表示训练K线的模型价格，红线表示预测的未来价格。
示例：
方法 1（傅里叶级数外推）
方法 3（Burg法）
方法 6（修正协方差法）
呼吁：
如果有人成功开发出基于此指标的盈利EA，请通过代码中提供的电子邮件与我分享您的想法。