贝叶斯回归 - 有没有人用这种算法做了一个EA？ - 交易系统 - MQL5 算法交易论坛

Yuri Evseenkov 2016.02.24 06:44 #271

关于该分支的主题：贝叶斯，mql

贝叶斯公式

线性依赖y=ax+b。

正态分布的公式。（原则上，你可以采取不同的分布）。

让我们重写一下这个公式

P（a,b|x,y）=P（x,y|a,b）*P（a）*P（b）/P（x,y）；（1）。

接下来，根据我的理解，你需要列举出a和b的所有可能组合。根据公式（1），那些给出最大概率的a和b将成为系数。

Dmitry Fedoseev 2016.02.24 08:19 #272

Yuri Evseenkov:

关于该分支的主题：贝叶斯，mql

贝叶斯公式

线性依赖y=ax+b。

正态分布的公式。（原则上，你可以采取不同的分布）。

让我们重写一下这个公式

P（a,b|x,y）=P（x,y|a,b）*P（a）*P（b）/P（x,y）；（1）。

接下来，根据我的理解，你需要列举出a和b的所有可能组合。根据公式（1），那些给出最大概率的a和b将成为系数。

有一些人怀疑情况并非如此。

Yuri Evseenkov 2016.02.24 09:16 #273

Dmitry Fedoseev:
有一些人怀疑情况根本不是这样。

请分享你的猜测。

Dmitry Fedoseev 2016.02.24 09:36 #274

Yuri Evseenkov:
请分享你的猜测。

没有。如果我确定的话，我会把它放在代码中，但你可以无休止地唠叨下去。这条线上有这样的巨无霸，让他们在实践中展示他们的口才吧。

Yuri Evseenkov 2016.02.24 09:55 #275

Dmitry Fedoseev:
没有。如果我确定的话，我会在代码中表示出来，但你可以无休止地唠叨下去。这条线上有这样的巨无霸，让他们在实践中展示他们的口才吧。

遗憾的是。在这个问题上，你是最具体的。而非顶层的有能力的同志对我来说非常有趣，但我害怕在 "森林 "里迷路。

Vladimir 2016.02.25 01:35 #276

Yuri Evseenkov:

关于该分支的主题：贝叶斯，mql

贝叶斯公式

线性依赖y=ax+b。

正态分布的公式。（原则上，你可以采取不同的分布）。

让我们重写一下这个公式

P（a,b|x,y）=P（x,y|a,b）*P（a）*P（b）/P（x,y）；（1）。

接下来，根据我的理解，你需要列举出a和b的所有可能组合。根据公式（1），那些给出最大概率的a和b将成为系数。

你的思考方向似乎是正确的。我已经忘记了，但解释是这样的。

假设我们有一个时间序列（价格，如果你喜欢），Y = {y[1], y[2], ..., y[n]}。我们还有未知的模型参数W={w[1], w[2], ...。, w[m]}。假设模型是回归的，也就是

y[i] = SUM_j w[j]*f(X) + e[i] 。

其中f()是一个近似函数（例如多项式），X是输入数据，e[]是一个误差。

让我们用最大似然定理来寻找模型W的参数。

W = argmax ln(P(W|Y))

现在应用贝叶斯定理。

p(w|y) = p(y|w)*p(w)/p(y)

除以P(Y)是一个可以忽略不计的归一化。我们得到

(1) W = argmax {ln(P(W|Y))} ~ argmax {ln(P(Y|W)) + ln(P(W)) } ~ argmin {-ln(P(Y|W))- ln(P(W))}

P(Y|W)，即在参数W下X的概率，可以计算如下。

P(Y|W) = P(SUM_j w[j]*f(X) + e[i] | W) = P(E)

如果误差具有正态分布且相互独立，那么

(2) P(Y|W) = P(E) ~ exp(-SUM{e[i]^2}/（2*sigma^2）)

将（2）代入（1），得到

W ~ argmin {-ln(P(Y|W))- ln(P(W))} ~ argmin SUM{e[i]^2} - ln(P(W))

P(W)通常为1，我们可以拿出拉普拉斯分布。

P(W) ~ exp(-lambda*||W||_1)

我们得到

W ~ argmin SUM{e[i]^2} - ln(P(W)) ~ argmin SUMChe[i]^2 + lambda*||W||_1

结果，将最大似然法和贝叶斯定理应用于我们的高斯误差的序列回归，导致有或没有调整项lambda*的最小二乘法。或没有。数学是复杂的，但结果是简单的。如果你不喜欢正态误差分布，就用另一个分布来代替它，例如拉普拉斯分布，你会得到。

W ~ argmin SUM|e[i]| + lambda*||W||_1。

你也可以用一个超级高斯函数来代替，所以你会得到

W ~ argmin SUM|e[i]|^p + lambda*||W|_1

顺便说一下，这里写的调节性加法将最小二乘法变成了放空编码法。没有它，它就是一个经典的线性回归，通过微分W和等效为零来解决。

Bayesian regression - Has Big Expert Advisor example 用 MQL5 表示统计概率分布

Alexey Burnakov 2016.02.25 07:42 #277

Vladimir:

你的思考方向似乎是正确的。我开始忘记了，但这里有解释。

假设我们有一个时间序列（价格，如果你喜欢），Y = {y[1], y[2], ..., y[n]}。我们还有未知的模型参数W={w[1], w[2], ...。, w[m]}。假设模型是回归的，也就是

y[i] = SUM_j w[j]*f(X) + e[i] 。

其中f()是一个近似函数（例如多项式），X是输入数据，e[]是一个误差。

让我们用最大似然定理来寻找模型W的参数。

W = argmax ln(P(W|Y))

现在应用贝叶斯定理。

p(w|y) = p(y|w)*p(w)/p(y)

除以P(Y)是一个可以忽略不计的归一化。我们得到

(1) W = argmax {ln(P(W|Y))} ~ argmax {ln(P(Y|W)) + ln(P(W)) } ~ argmin {-ln(P(Y|W))- ln(P(W))}

P(Y|W)，即在参数W下X的概率，可以计算如下。

P(Y|W) = P(SUM_j w[j]*f(X) + e[i] | W) = P(E)

如果误差具有正态分布且相互独立，那么

(2) P(Y|W) = P(E) ~ exp(-SUM{e[i]^2}/（2*sigma^2）)

将（2）代入（1），得到

W ~ argmin {-ln(P(Y|W))- ln(P(W))} ~ argmin SUM{e[i]^2} - ln(P(W))

P(W)通常为1，我们可以拿出拉普拉斯分布。

P(W) ~ exp(-lambda*||W||_1)

我们得到

W ~ argmin SUM{e[i]^2} - ln(P(W)) ~ argmin SUMChe[i]^2 + lambda*||W||_1

结果，将最大似然法和贝叶斯定理应用于我们的高斯误差的序列回归，导致有或没有调整项lambda*的最小二乘法。或没有。数学是复杂的，但结果是简单的。如果你不喜欢正态误差分布，就用另一个分布来代替它，例如拉普拉斯分布，你会得到。

W ~ argmin SUM|e[i]| + lambda*||W||_1。

你也可以用一个超级高斯函数来代替，所以你会得到

W ~ argmin SUM|e[i]|^p + lambda*||W|_1

顺便说一下，这里写的调节性加法将最小二乘法变成了放空编码法。如果没有它，它就是一个经典的线性回归，通过对W进行微分并等效为零来解决。

谢谢你!

Yuri Evseenkov 2016.02.25 13:18 #278

Vladimir:

你的思考方向似乎是正确的。我开始忘记了，但这里有解释。

假设我们有一个时间序列（价格，如果你喜欢），Y = {y[1], y[2], ..., y[n]}。我们还有未知的模型参数W={w[1], w[2], ...。, w[m]}。假设模型是回归的，也就是

y[i] = SUM_j w[j]*f(X) + e[i] 。

其中f()是一个近似函数（例如多项式），X是输入数据，e[]是一个误差。

让我们用最大似然定理来寻找模型W的参数。

W = argmax ln(P(W|Y))

现在应用贝叶斯定理。

p(w|y) = p(y|w)*p(w)/p(y)

除以P(Y)是一个可以忽略不计的归一化。我们得到

(1) W = argmax {ln(P(W|Y))} ~ argmax {ln(P(Y|W)) + ln(P(W)) } ~ argmin {-ln(P(Y|W))- ln(P(W))}

P(Y|W)，即在参数W下X的概率，可以计算如下。

P(Y|W) = P(SUM_j w[j]*f(X) + e[i] | W) = P(E)

如果误差具有正态分布且相互独立，那么

(2) P(Y|W) = P(E) ~ exp(-SUM{e[i]^2}/（2*sigma^2）)

将（2）代入（1），得到

W ~ argmin {-ln(P(Y|W))- ln(P(W))} ~ argmin SUM{e[i]^2} - ln(P(W))

P(W)通常为1，我们可以拿出拉普拉斯分布。

P(W) ~ exp(-lambda*||W||_1)

我们得到

W ~ argmin SUM{e[i]^2} - ln(P(W)) ~ argmin SUMChe[i]^2 + lambda*||W||_1

结果，将最大似然法和贝叶斯定理应用于我们的高斯误差序列的回归，导致了一种最小二乘法，其支配和值为lambda*...或没有。数学是复杂的，但结果是简单的。如果你不喜欢正态误差分布，就用另一个分布来代替它，例如拉普拉斯分布，你会得到。

W ~ argmin SUM|e[i]| + lambda*||W||_1。

你也可以用一个超级高斯函数来代替，所以你会得到

W ~ argmin SUM|e[i]|^p + lambda*||W|_1

顺便说一下，这里写的调节性加法将最小二乘法变成了放空编码法。没有它，它就是一个经典的线性回归，通过W的微分和等价于零来解决。

谢谢你的详细评论。关键字和公式都给了，我会研究的。

"综上所述，将最大似然法和贝叶斯定理应用于我们具有高斯误差的系列回归中，可以得出带有lambda*调整项的最小二乘法......或没有。数学是曲折的，结果是简单的。"

深信不疑。几乎。用不同的方法计算的直线y=ax+b的系数a和b在数值上或近似于相等，这一点仍然存在疑问。在这里，你需要费力地比较两种方法的公式或编写一个程序。主要的是公式、算法和代码本身要符合理论。该方案必须：

-用最小二乘法计算线性回归y=ax+b的a和b的系数

-获得a和b的系数，在应用数学期望值等于ax+b的正态分布时，贝叶斯定理的概率是最大的

然后，我们需要比较这些系数，如果有相当大的差异，就根据这些a和b的动态，看看两条线的行为。例如，在可视化模式的策略测试器中。

该程序可以进一步使用其他模型、回归、分布与贝叶斯公式。也许有些东西会拍得非常好。

P.S 我想到了我最喜欢的例子。

"你有可能已经使用了贝叶斯思维，尽管你并不知道。讨论
我从尼尔-曼森那里学到的一个例子：你是一名战斗中的士兵，正躲在散兵坑里。你知道一个事实：
，战场上只剩下一名敌军士兵，大约在400
码之外。你也知道，如果是普通士兵，他不可能从那个
的距离击中你。然而，如果那名士兵是一名狙击手，他很有可能击中你
。但敌军中没有多少狙击手，所以可能是一个普通士兵。你
，把头抬出壕沟，试图更好地观察周围。砰！一颗子弹擦过你的头盔
，你跌回散兵坑。
很好，你想。我知道狙击手很罕见，但这家伙从四百
码处击中我。仍然有很大的机会是一个普通士兵，但它是一个狙击手的机会已经
，因为他从这么远的距离打我。几分钟后，你
，敢于再次向外看，把头抬到散兵坑上方。砰！第二颗子弹
，擦过你的头盔。你又倒下了。哦，该死，你想。这绝对是一个狙击手。不管它们有多稀少，
，但是，一般的士兵不可能在这个距离上连续击中两次。这绝对是
一个狙击手。我最好打电话请求支援。如果这是一个粗略的近似于你在
类似情况下的想法，那么恭喜你。你已经在像贝叶斯人那样思考了，至少有时候
。"(作者不详)。

Alexey Burnakov 2016.02.25 15:13 #279

Yuri Evseenkov:

-用最小二乘法计算线性回归y=ax+b的系数a和b

-得到a和b的系数，在应用期望值等于ax+b的正态分布时，贝叶斯定理的概率是最大的

他们将是平等的，非常接近。问题是，在应用于金融市场时，试图为系数设定一个先验分布是否有意义。

我经常看到正则化应用于回归（L1、L2）。可能比序数线性回归的效果更好。

Yuri Evseenkov 2016.02.25 19:47 #280

Alexey Burnakov:

他们将是平等的，非常接近。问题是，试图为适用于金融市场的系数设定一个先验分布是否有意义。

我经常看到正则化应用于回归（L1、L2）。可能比序数线性回归的效果更好。

我理解的系数a和b需要列举，以便根据贝叶斯公式P(a,b|x,y)=P(x,y|a,b)*P(a)*P(b)/P(x,y)找到给出最大概率的组合；（1）概率P（a）和P（b）将等于超调周期的步骤，是一个常值。它们的分布将是均匀的。

P.S. 我坚持认为，真正的金融市场和外汇的性质有很大不同。外汇更像是一种赌博业务。一种多人的计算机在线模拟。因此，对于外汇来说，有可能适用这些领域的相关法律。例如，正态分布的规律。

贝叶斯回归 - 有没有人用这种算法做了一个EA？ - 页 28