Обсуждение статьи "Выборочные методы MCMC — Алгоритм Метрополиса-Гастингса"
cemal #:
Great article supar.
Great article supar.
Can you give an example code for example how to predict the RSI indicator's next 2 bars ahead ( t 2)with MCMC method or how to use the MCMC as smoothing average?
МСМС это не модель которая прогнозирует данные , это семплер который генерирует выборки из интересующего вас целевого распределения.
Вы упускаете торговые возможности:
- Бесплатные приложения для трейдинга
- 8 000+ сигналов для копирования
- Экономические новости для анализа финансовых рынков
Регистрация
Вход
Вы принимаете политику сайта и условия использования
Если у вас нет учетной записи, зарегистрируйтесь
Опубликована статья Выборочные методы MCMC — Алгоритм Метрополиса-Гастингса:
Алгоритм Метрополиса-Гастингса — фундаментальный метод Монте-Карло по схеме марковских цепей (MCMC), широко применяемый для аппроксимации апостериорных распределений в байесовском выводе. Статья описывает теоретические основы алгоритма, реализацию класса MHSampler на MQL5 и примеры применения с анализом полученных выборок.
Методы Монте-Карло по схеме марковских цепей (MCMC) — это класс выборочных алгоритмов, позволяющих извлекать выборки из сложного целевого распределения p(x). Цель MCMC — получить набор выборок, которые точно представляют это целевое распределение, чтобы можно было оценить средние значения, дисперсии и другие характеристики этого распределения. Суть MCMC заключается в построении специальной цепи Маркова, стационарное распределение которой совпадает с целевым распределением.
Эти методы нашли широкое применение в байесовском выводе, машинном обучении и других областях, где требуется аппроксимация апостериорных распределений. В отличие от детерминированных методов, таких как вариационный вывод или аппроксимация Лапласа, MCMC-алгоритмы обладают уникальным свойством: при правильной настройке они в пределе гарантируют получение выборок, точно соответствующих целевому распределению. Среди множества алгоритмов MCMC особое место занимает алгоритм Метрополиса-Гастингса (МГ) — фундаментальный метод, лежащий в основе многих современных подходов.
В данной статье мы рассмотрим алгоритм Метрополиса-Гастингса, начиная с его теоретических основ и ключевых концепций. Затем мы представим реализацию алгоритма на MQL5 в виде класса MHSampler, а также разберем простые примеры его применения для одномерных и многомерных распределений, включая варианты Random Walk и Independent МГ.
Автор: Evgeniy Chernish