Discussão do artigo "Métodos de amostragem MCMC - Algoritmo de Metropolis-Hastings"
cemal barras do indicador RSI (t 2) usando o método MCMC ou de como usar o MCMC como média de suavização?
O MCMC não é um modelo que prevê dados, é um amostrador que gera amostras a partir da distribuição-alvo de seu interesse.
Você está perdendo oportunidades de negociação:
- Aplicativos de negociação gratuitos
- 8 000+ sinais para cópia
- Notícias econômicas para análise dos mercados financeiros
Registro
Login
Você concorda com a política do site e com os termos de uso
Se você não tem uma conta, por favor registre-se
Novo artigo Métodos de amostragem MCMC - Algoritmo de Metropolis-Hastings foi publicado:
Os métodos de Monte Carlo via cadeias de Markov (MCMC) constituem uma classe de algoritmos de amostragem que permite extrair amostras de uma distribuição-alvo complexa p(x). O objetivo do MCMC é obter um conjunto de amostras que represente com precisão essa distribuição-alvo, permitindo estimar médias, variâncias e outras características da distribuição. A essência do MCMC está na construção de uma cadeia de Markov específica cuja distribuição estacionária coincide com a distribuição-alvo.
Esses métodos são amplamente utilizados na inferência bayesiana, em machine learning e em outras áreas que exigem a aproximação de distribuições a posteriori. Diferentemente de métodos determinísticos, como inferência variacional ou aproximação de Laplace, os algoritmos MCMC possuem uma propriedade única: quando configurados corretamente, garantem assintoticamente a obtenção de amostras que seguem exatamente a distribuição-alvo. Entre os diversos algoritmos MCMC, o algoritmo de Metropolis-Hastings (MH) ocupa um lugar de destaque, sendo um método fundamental que serve de base para muitas abordagens modernas.
Neste artigo, analisaremos o algoritmo de Metropolis-Hastings começando por seus fundamentos teóricos e conceitos principais. Em seguida, apresentaremos sua implementação em MQL5 na forma da classe MHSampler e veremos exemplos simples de aplicação a distribuições unidimensionais e multidimensionais, incluindo as variantes Random Walk e Independent MH.
Autor: Evgeniy Chernish