Discusión sobre el artículo "Métodos de muestreo MCMC: el algoritmo de Metropolis-Hastings"
cemal bares del indicador RSI (t 2) con el método MCMC o cómo utilizar el MCMC como media de suavizado?
El MCMC no es un modelo que prediga datos, sino un muestreador que genera muestras de la distribución objetivo que te interesa.
Artículo publicado Métodos de muestreo MCMC: el algoritmo de Metropolis-Hastings:
Los métodos de Monte Carlo basados en cadenas de Markov (MCMC) son una clase de algoritmos de muestreo que permiten obtener muestras de una distribución objetivo compleja p(x). El objetivo del método MCMC es obtener un conjunto de muestras que representen con precisión esa distribución objetivo, de modo que se puedan estimar las medias, las varianzas y otras características de dicha distribución. La esencia del método MCMC consiste en construir una cadena de Markov especial cuya distribución estacionaria coincida con la distribución objetivo.
Estos métodos se utilizan ampliamente en la inferencia bayesiana, el aprendizaje automático y otros campos en los que es necesario aproximar las distribuciones a posteriori. A diferencia de los métodos deterministas, como la inferencia variacional o la aproximación de Laplace, los algoritmos MCMC poseen una propiedad única: si se configuran correctamente, garantizan, en el límite, la obtención de muestras que se ajustan exactamente a la distribución objetivo. Entre la gran variedad de algoritmos MCMC, ocupa un lugar especial el algoritmo de Metropolis-Hastings (MH), un método fundamental en el que se basan muchos enfoques actuales.
En este artículo analizaremos el algoritmo de Metropolis-Hastings, partiendo de sus fundamentos teóricos y conceptos clave. A continuación, presentaremos la implementación del algoritmo en MQL5 en forma de la clase MHSampler y analizaremos ejemplos sencillos de su aplicación a distribuciones unidimensionales y multidimensionales, incluidas las variantes de «paseo aleatorio» y «MH independiente».
Autor: Evgeniy Chernish