贝叶斯回归 - 有没有人用这种算法做了一个EA？ - 页 40

[Alexey Burnakov]

而我的灵魂一直想挖掘所谓的正态分布增量报价的话题。

如果有人赞成，我将提出论据，说明这个过程不可能是正常的。而这些论点将是每个人都能理解的，同时与CPT相一致。而这些争论是如此微不足道，不应该有任何疑问。

[Yuri Evseenkov]

-Aleks-:

而概率将表达什么，是对下一个柱子的预测，还是对下一个柱子的运动矢量？

概率将表示对下一个刻度（增量）的预测。我只是想。

- 计算未来的Ybayes点的值，对于这些值，贝叶斯公式的概率将是最大的。

- 将Ybayes与实际进来的Yreal ticks进行比较。收集和处理统计数据。

如果数值的差异在合理范围内，那么我将公布代码并询问下一步该怎么做。退步？矢量？剥皮？

[Alexey Burnakov]

Yuri Evseenkov:

概率将表达对下一个tick（增量）的预测。我只是想。

为什么要降到虱子？你可以在5分钟内学会预测刻度方向，准确率为70%，但提前100个刻度，你知道准确率会下降。

试着提前半小时或一小时递增。这对我来说也很有趣，也许我可以在某些方面提供帮助。

[СанСаныч Фоменко]

Yuri Evseenkov:

概率将表达对下一个tick（增量）的预测。我只是想。

- 计算未来的Ybayes点的值，对于这些值，贝叶斯公式的概率将是最大的。

- 将Ybayes与实际的Yreal ticks进行比较。收集和处理统计数据。

如果数值的差异在合理的范围内，我会公布代码并询问下一步该怎么做。退步？矢量？ 曲线？剥皮？

ARIMA有什么问题？在软件包中，差异的数量（增量的增量）是根据输入流自动计算的。很多与静止性有关的微妙之处隐藏在包装内。

如果你真的想那么深入，一些ARCH?

我试过一次。问题是这样的。增量可以很容易地计算出来。但如果我们把这个增量的置信区间 加到增量本身，它将是买入或卖出，因为之前的价格值落在置信区间内。

[Yuri Evseenkov]

是的，正如SanSanych所写的，经典的方法是数据分析、数据要求和系统错误。

但这个主题是关于贝叶斯的，我正试图用贝叶斯的术语来思考，就像战壕里的士兵计算后验（经验后）的概率。我在上面举了一个士兵的例子。

其中一个主要问题是把什么作为先验概率。换句话说，我们应该把谁放在未来的幕布后面，放在零条的右边？高斯？拉普拉斯？维纳？专业数学家在这里写什么（对我来说是一片黑暗的 "森林"）？

我选择高斯是因为我对正态分布有一个概念，我相信它。如果它不会 "开枪"，那么就有可能采取其他规律，用高斯代替贝叶斯公式，或与高斯一起作为两个概率的乘积。如果我理解正确的话，试着做一个贝叶斯网络。

自然，我不能单独做这件事。我想用高斯来解决这个问题，这是我在花束下制定的。 如果有人愿意在自愿的基础上加入我，请这样做。这里有一个实际问题。

给出：МТ4的随机数发生器。

需要：将MQL4代码写成函数FP()，将标准RNG形成的MT4[]数组转换为正态分布的ND[]数组。

瓦西里（我不知道我的父名）-索科洛夫在https://www.mql5.com/go?link=https://habrahabr.ru/post/208684/， 向我展示了转化公式。

利他主义和仁慈将是结果的图形表示，尽管我可以在MT4窗口中直接放大计算数组的图表。 我在我的项目中正在这样做。

我明白，这里的许多人可能通过点击几下数学包就能解决这个问题，但我想用MQL4的语言说话，这是交易者、程序员、经济学家和哲学家共同理解的。

[Vladimir Suslov]

Yuri Evseenkov:

是的，正如SanSanych所写的，经典的方法是数据分析、数据要求和系统错误。

但这个主题是关于贝叶斯的，我正试图用贝叶斯的术语来思考，就像战壕里的士兵计算后验（经验后）的概率。我在上面举了一个士兵的例子。

其中一个主要问题是把什么作为先验概率。换句话说，我们应该把谁放在未来的幕布后面，放在零条的右边？高斯？拉普拉斯？维纳？专业数学家在这里写什么（对我来说是一片黑暗的 "森林"）？

我选择高斯是因为我对正态分布有一个概念，我相信它。如果它不会 "开枪"，那么就有可能采取其他规律，用高斯代替贝叶斯公式，或与高斯一起作为两个概率的乘积。如果我理解正确的话，试着做一个贝叶斯网络。

自然，我不能单独做这件事。我想用高斯来解决这个问题，这是我在花束下制定的。 如果有人愿意在自愿的基础上加入我，请这样做。这里有一个实际问题。

给出：МТ4的随机数发生器。

需要：将MQL4代码写成函数FP()，将标准RNG形成的MT4[]数组转换为正态分布的ND[]数组。

瓦西里（我不知道我的父名）-索科洛夫在https://www.mql5.com/go?link=https://habrahabr.ru/post/208684/， 向我展示了转化公式。

然而，我可以，而且我可以直接在MT4窗口中重新调整计算数组的图表。 我在我的项目中也是这样做的。

我明白，许多交易者可能会使用数学软件包在几次点击中解决这个问题，但我想使用MQL4语言，这对交易者、程序员、经济学家和哲学家来说是普遍可以使用的。

这里是一个具有不同分布的发生器，包括正态分布。

https://www.mql5.com/ru/articles/273

[Alexey Burnakov]

在R中进行简要的分布分析。

# load data
fx_data <- read.table('C:/EURUSD_Candlestick_1_h_BID_01.08.2003-31.07.2015.csv'
                           , sep= ','
                           , header = T
                           , na.strings = 'NULL')

fx_dat <- subset(fx_data, Volume > 0)

# create open price returns
dat_return <- diff(x = fx_dat[, 2], lag = 1)

# check summary for the returns
summary(dat_return)
      Min.    1st Qu.     Median       Mean    3rd Qu.       Max. 
-2.515e-02 -6.800e-04  0.000e+00 -3.400e-07  6.900e-04  6.849e-02 

# generate random normal numbers with parameters of original data
norm_generated <- rnorm(n = length(dat_return), mean = mean(dat_return), sd = sd(dat_return))

#check summary for generated data
summary(norm_generated)
      Min.    1st Qu.     Median       Mean    3rd Qu.       Max. 
-8.013e-03 -1.166e-03 -7.379e-06 -7.697e-06  1.152e-03  7.699e-03 


# test normality of original data
shapiro.test(dat_return[sample(length(dat_return), 4999, replace = F)])

	Shapiro-Wilk normality test

data:  dat_return[sample(length(dat_return), 4999, replace = F)]
W = 0.86826, p-value < 2.2e-16


# test normality of generated normal data
shapiro.test(norm_generated[sample(length(norm_generated), 4999, replace = F)])

	Shapiro-Wilk normality test

data:  norm_generated[sample(length(norm_generated), 4999, replace = F)]
W = 0.99967, p-value = 0.6189

############## comparison of distributions
d1 <- density(dat_return)
d2 <- density(norm_generated)

p1 <- hist(dat_return, breaks = "Scott", freq = T)
p2 <- hist(norm_generated, breaks = "Scott", freq = T)

plot(p1, col = rgb(0,0,1,1/4), xlim = c(-0.01, 0.01))
lines(p2, col = rgb(1,0,0,1/4), xlim = c(-0.01, 0.01))

plot(d1, col = rgb(0,0,1,1/4), xlim = c(-0.01, 0.01))
lines(d2, col = rgb(1,0,0,1/4), xlim = c(-0.01, 0.01))

我们从现有的时钟柱开盘价增量中估计出正态分布的参数，并绘制出比较原始系列和具有相同分布的正态系列的频率和密度。你甚至可以用眼睛看到，原来一系列的小时条的增量远远不是正常的。

顺便说一句，我们不是在上帝的殿堂里。相信是没有必要的，甚至是有害的。

[СанСаныч Фоменко]

下面是上面的帖子中的一句奇怪的话，它与我上面写的内容一致

summary(dat_return)
      Min.    1st Qu.     Median       Mean    3rd Qu.       Max.  

-2.515e-02-6.800e-04 0.000e+00 -3.400e-076.900e-04 6.849e-02

据我所知，在象限中，50%的时钟上的所有增量都小于7点!而更像样的增量是在粗大的尾巴上，即在善与恶的另一边。

那么，TS会是什么样子呢？这就是问题所在，而不是贝叶斯和其他，其他，其他....。

还是应该以其他方式来理解？

[Alexey Burnakov]

СанСаныч Фоменко:

下面是上面的帖子中的一句奇怪的话，它与我上面写的内容一致

-2.515e-02-6.800e-04 0.000e+00 -3.400e-076.900e-04 6.849e-02

据我所知，在象限中，每小时有50%的增量低于7个点！这就是为什么我们要把这些增量作为我们的目标。而更像样的增量是在粗大的尾巴上，即在善与恶的另一边。

那么，TS会是什么样子呢？这就是问题所在，而不是贝叶斯和其他，其他，其他....。

还是应该以其他方式来理解？

SanSanych，是的!

####### quantiles
hour1_quantiles <- data.frame()
counter <- 1
for (i in seq(from = 0.05, to = 0.95, by = 0.05)){
        
        hour1_quantiles[counter, 1] <- i
        hour1_quantiles[counter, 2] <- quantile(dat_return, probs = i)
        counter <- counter + 1
}

colnames(hour1_quantiles) <- c(
                                        'probability'
                                        , 'value'
                                        )

plot(hour1_quantiles$value, type = 's')

#View

hour1_quantiles
   probability      value
1         0.05 -0.0025375
2         0.10 -0.0016600
3         0.15 -0.0012100
4         0.20 -0.0009000
5         0.25 -0.0006800
6         0.30 -0.0005050
7         0.35 -0.0003600
8         0.40 -0.0002300
9         0.45 -0.0001100
10        0.50  0.0000000
11        0.55  0.0001100
12        0.60  0.0002400
13        0.65  0.0003700
14        0.70  0.0005100
15        0.75  0.0006900
16        0.80  0.0009100
17        0.85  0.0012100
18        0.90  0.0016600
19        0.95  0.0025300

plot(y = hour1_quantiles$value, x = hour1_quantiles$probability, main = 'Quantile values for EURUSD H1 returns')

## what is absolute statistics of hourly returns?

summary(abs(dat_return))
    Min.  1 st Qu.   Median     Mean  3 rd Qu.     Max. 
0.000000 0.000300 0.000690 0.001097 0.001420 0.068490 

而另一个有趣的事情是，每小时的平均绝对增量是11个点!共计。

[Vizard_]

Alexey Burnakov: 一系列的小时条形增量远非正常。

因此，我们慢慢地来到了变革的迷人主题))))，因为如果没有正态分布，就有可能做出一个。
你必须做很长时间，因为你需要重新改造和...而Box-Cox并不真正喜欢它))))只是遗憾的是，如果你没有
只是遗憾的是，如果你没有任何正常的预测因素，对最终结果不会有太大影响......