Diskussion zum Artikel "MQL5-Assistent-Techniken, die Sie kennen sollten (Teil 19): Bayes'sche Inferenz"
![MQL5 - Sprache von Handelsstrategien, eingebaut ins Kundenterminal MetaTrader 5](https://c.mql5.com/i/registerlandings/logo-2.png)
Sie verpassen Handelsmöglichkeiten:
- Freie Handelsapplikationen
- Über 8.000 Signale zum Kopieren
- Wirtschaftsnachrichten für die Lage an den Finanzmärkte
Registrierung
Einloggen
Sie stimmen der Website-Richtlinie und den Nutzungsbedingungen zu.
Wenn Sie kein Benutzerkonto haben, registrieren Sie sich
Neuer Artikel MQL5-Assistent-Techniken, die Sie kennen sollten (Teil 19): Bayes'sche Inferenz :
Die Bayes'sche Inferenz ist die Anwendung des Bayes-Theorems, um die Wahrscheinlichkeitshypothese zu aktualisieren, wenn neue Informationen zur Verfügung stehen. Dies führt intuitiv zu einer Anpassung in der Zeitreihenanalyse, und so schauen wir uns an, wie wir dies bei der Erstellung von nutzerdefinierten Klassen nicht nur für das Signal, sondern auch für das Money-Management und Trailing-Stops nutzen können.
Wir setzen die Nutzung des MQL5-Assistenten fort, indem wir die Bayes‘sche Inferenz besprechen, eine Methode in der Statistik, die Wahrscheinlichkeiten mit jeder neuen Information verarbeitet und aktualisiert. Sie hat zweifellos ein breites Spektrum an Anwendungsmöglichkeiten, doch für unsere Zwecke als Händler konzentrieren wir uns auf ihre Rolle bei der Prognose von Zeitreihen. Bei den Zeitreihen, die den Händlern zur Analyse zur Verfügung stehen, handelt es sich in erster Linie um die Preise der gehandelten Wertpapiere, aber wie wir in diesem Artikel sehen werden, können diese Reihen „erweitert“ werden, um auch Alternativen wie die Geschichte des Wertpapierhandels zu berücksichtigen.
Theoretisch sollte die Bayes'sche Inferenz die Marktanpassung eines jeden Handelssystems verbessern, da die Neubewertung jeder Hypothese inhärent ist. Dies sollte zu einer geringeren Kurvenanpassung führen, wenn sie anhand historischer Daten getestet und anschließend in Vorwärtstests oder Live-Konten-Trainings eingesetzt werden. Aber das ist nur die Theorie, und in der Praxis kann die Implementierung eine gute Idee zunichte machen, weshalb wir in diesem Artikel versuchen werden, mehr als eine mögliche Implementierung der Bayes'schen Inferenz zu berücksichtigen.
Unser Artikel ist daher in einem einfachen Format strukturiert, das die Definition der Bayes'schen Inferenz, Anwendungsbeispiele, die Illustrationen in einer nutzerdefinierten Signalklasse, einer Geldmanagementklasse und einer Trailing-Stop-Klasse umfassen, Berichte über Strategietests und schließlich eine Schlussfolgerung umfasst.
Autor: Stephen Njuki