貝葉斯收縮統計股票數據

❶ 如何利用炒股軟體來回溯以前漲停的股票

通達信軟體有這個功能，具體操作方法如下：

設定完成點擊確定，系統開始計算，計算完成後的頁面上方顯示你設定的區間，8月1日-8月1日的漲跌幅排名。當然，在漲幅超過9.9%以上的基本就是當天漲停的股票，需要查看跌幅榜就點擊圖中綠色圈圈的【漲跌幅度】會在漲幅榜與跌幅榜之間來回切換，通過軟體最右面的下拉按鈕來翻頁查看下面的股票。（如上圖）

以上就是你需要的功能，滿意請採納！～

❷ 貝葉斯公式的應用

貝葉斯公式直接的應用就是學習，啥意思，就是根據經驗對新發生的事物進行判斷。
抽象地說就是這樣。
應用的原因就是為了預測未來，規避風險。
就和你知道很多鳥都是黑色的，但是其中烏鴉是黑色的可能性最大，於是當你再看到一隻黑色的鳥的時候，你就會想著這只鳥是不是烏鴉。
包括你學習貝葉斯也是這樣的，別人都說貝葉斯很厲害[先驗]，然後你找了很多案例，最後想看看貝葉斯成功的概率是多少[後驗]，其本質就是這個

❸ 貝葉斯公式應用實例

寫作話題:

貝葉斯預測模型在礦物含量預測中的應用
貝葉斯預測模型在氣溫變化預測中的應用
貝葉斯學習原理及其在預測未來地震危險中的應用
基於稀疏貝葉斯分類器的汽車車型識別
信號估計中的貝葉斯方法及應用
貝葉斯神經網路在生物序列分析中的應用
基於貝葉斯網路的海上目標識別
貝葉斯原理在發動機標定中的應用
貝葉斯法在繼電器可靠性評估中的應用

相關書籍:

Arnold Zellner 《Bayesian Econometrics: Past, Present and Future》
Springer 《貝葉斯決策》
黃曉榕 《經濟信息價格評估以及貝葉斯方法的應用》
張麗 , 閆善文 , 劉亞東 《全概率公式與貝葉斯公式的應用及推廣》
周麗琴 《貝葉斯均衡的應用》
王輝 , 張劍飛 , 王雙成 《基於預測能力的貝葉斯網路結構學習》
張旭東 , 陳鋒 , 高雋 , 方廷健 《稀疏貝葉斯及其在時間序列預測中的應用》
鄒林全 《貝葉斯方法在會計決策中的應用》
周麗華 《市場預測中的貝葉斯公式應用》
夏敏軼 , 張焱 《貝葉斯公式在風險決策中的應用》
臧玉衛 , 王萍 , 吳育華 《貝葉斯網路在股指期貨風險預警中的應用》
黨佳瑞 , 胡杉杉 , 藍伯雄 《基於貝葉斯決策方法的證券歷史數據有效性分析》
肖玉山 , 王海東 《無偏預測理論在經驗貝葉斯分析中的應用》
嚴惠雲 , 師義民 《Linex損失下股票投資的貝葉斯預測》
卜祥志 , 王紹綿 , 陳文斌 , 余貽鑫 , 岳順民 《貝葉斯拍賣定價方法在配電市場定價中的應用》
劉嘉焜 , 范貽昌 , 劉波 《分整模型在商品價格預測中的應用》
《Bayes方法在經營決策中的應用》
《決策有用性的信息觀》
《統計預測和決策課件》
《貝葉斯經濟時間序列預測模型及其應用研究》
《貝葉斯統計推斷》
《決策分析理論與實務》

❹ 貝葉斯影響因素間是無聯系的嗎

貝葉斯影響因素間是無聯系。

打分法就是根據各個因子的大小對股票進行打分，然後按照一定的權重加權得到一個總分，根據總分再對股票進行篩選。

回歸法就是用過去的股票的收益率對多因子進行回歸，得到一個回歸方程，然後再把最新的因子值代入回歸方程得到一個對未來股票收益的預判，然後再以此為依據進行選股。

個人貢獻：

貝葉斯在數學方面主要研究概率論。他備指首先將歸納推理法用於概率論基礎理論，並創立了貝葉斯統計理論，對於統計決策函數、統計推斷、稿滾灶統計的估算等做出了貢獻。

1763年發表鍵扮了這方面的論著，對於現代概率論和數理統計都有很重要的作用。貝葉斯的另一著作《機會的學說概論》發表於1758年.貝葉斯所採用的許多術語被沿用至今。

他對統計推理的主要貢獻是使用了"逆概率"這個概念，並把它作為一種普遍的推理方法提出來。貝葉斯定理原本是概率論中的一個定理，這一定理可用一個數學公式來表達，這個公式就是著名的貝葉斯公式。

❺ 1 經驗貝葉斯和James-Stein估計法

最近接觸Efron大神的經驗貝葉斯相關內容，大受震撼！准備把Large-Scale Inference一書認真學習一遍，特此記錄。

正態分布場景，在貝葉斯框架下，觀測值 可以來自參數 的正態分布，而 又可以服從某種分布，即：

根據貝塵激升葉斯規則：

其中 是 的邊緣概率分布：

此節關注先驗為正態分布場景。
為了描述簡單，且不失一般性。如果 是 ，且 ，則：

現實中我們只能通過觀測值 來估計 ，定義為 ，則其估計值得風險函數可以是：

基於以上前提，由於 是單位矩陣：

在考慮 的先驗分布，此時全局風險為
由此可見：

因此在先驗正確的情況下，貝葉斯估計總是好於最大似然估計。

如果1.1中的模型是正確的，但是不知道其中的A，可以採用經驗貝葉斯方法。
此時 ，如 ，則 ，根據逆卡方分布性質可得到：

把 作為 的估計值帶入 ，就得到了神奇的James-Stein估計！

可以得出James-Stein估計的風險值：

更一般的情況，如果 ，且互相獨立，則 ，則James-Stein經驗貝葉斯估計為：

時，定理仍然成立。

書里有一個採用棒球手真實數據的例子，James-Stein估計法的風險僅僅是MLE估計法的0.28。

這里神奇的是，我們用的是貝葉斯方法，但是並沒有對先驗的參數做任何主觀的假設。

使用James-Stein估計法有可能鉛凱遇到下面這種問題，整體來看MSE好於MLE法，但是部分個體卻差很多（第10行）。

這是因為10代表的球手是一個非常優秀的運動員，一個離群值，他不應該向其他人「收縮」。

對這種情況可以進行一些修正(limited translation estimator)，使整體MSE沒有提升太多的情派老況下，降低離群值個體的MSE。

還可以結合回歸，將先驗變得更科學，比如腎臟健康與年齡是相關的，評估一個人腎臟可以用以下模型：

由於 ，可以得到對應的置信區間：

由於 是不知道的，但是知道其無偏估計 ，再結合 的波動性：

不難得到對應的置信區間。

❻ 金融模型——熵池模型

在之前的文章中，整理了一系列資產配置模型，有馬科維茨均值方差模型、風險平價模型、風險預算模型和BL模型，本文對另一資產配置模型進行詳細介紹，算是對之前文章的一個補充。此模型為熵池模型，是應用熵池理論進行資產配置。其是BL模型的泛化，懂得BL模型的推導，可以很容易理解熵池模型。

BL模型是使用貝葉斯收縮的思想，其過程是：將市場均衡收益的概率分布當成先驗分布，將投資觀點分布當成條件分布，使用貝葉斯公式，獲得後驗分布，反解配置權重。
在這個過程中會有兩個問題，其一觀點必須是線性的收益觀點，且BL模型不能考慮觀點的相關性，其二先驗分布只能是市場均衡點收益的的先驗分布，市場均衡點一般情況不存在，且模型拘泥於收益分布，不能使用風險或者其他指標分布。

基於以上存在的問題，提出了BL模型的泛化模型---熵池模型。
熵池模型是使用熵池理論進行資產配置，其過程是：先找一個已知先驗分布的參考模型，在再滿足觀點規則的空間裡面找一個與先驗分布相對熵最小的分布生成後驗分布。最後通過先驗分布和後驗分布的池化得出資產的價格分布，根據資產的價格分布，再結合相應的約束和優化問題，反解出配置權重。

下面從香農熵開始，一點一點進行詳細介紹。

在通信領域，對於一個信息所含得信息量，進行數學量化是見很難得事情，香農引入了香農熵得概念，徹底解決了這一問題，香農引入的這一概念，不光可以解決信息中含有信息量得量化問題，還可以計算在數據和信息壓縮時的臨界值，而且在數學和機器學習領域，這一概念還可以衡量隨機變數，隨機變數越不確定，起熵值越大。

也是因為上面所說的最後一高大個用途，導致這一概念在數學和機器學習領域大放光彩。

香農在推導香農熵表達戚則豎式時，先描述了如下性質，認為所要得到的量，必須滿足以下性質：

單調性，即發生概率越高的事件，其所攜帶的信息熵越低。極端案例就是「太陽從東方升起」，因為為確定事件，所以不攜帶任何信息量。從資訊理論的角度，認為這句話沒有消除任何不確定性。
非負性，即信息熵不能為負。這個很好理解，因為負的信息，即你得知了某個信息後，卻增加了不確定性是不合邏輯的。
累加性，即多獨立隨機事件同時發生存在的總不確定性的量度是可以表示為各事件不確定性的量度的和。

香農證明了，滿足以上三個性質的公式是唯一的，表達式如下：

其中C為常數。X為隨機變數或者隨機事件， 為事件x發生的概率。

當C=1時，H（X）被稱為香農熵，單位為bit。

由上面香農熵的概念可得到條件熵𝐻(X|Y)的概念，其定義為在給定條件 𝑌 下，X 的條件概率分布的熵對 Y 的數學期望：

其表示隨機變數或者信息Y在已知的條件下，隨機變數或者信息X的不確定性。

兩個隨機變數或者信息之間的相互依賴，可以使用互信息來度量。其定義如下：

其中H(X,Y)為聯合熵。

互信息的用處非常大，如果我們最大化兩個隨機事件的互信息，就是最大化兩個隨機事件的相關性。當兩個X=Y時，有：

所以在機器學習中，理想情況下，當數據集中數據擬合出的分布和真實分布的互信息最大，可以認為從數據集中擬合出來的隨機變數的概率分布與真實分布相同。

香農熵、互信息、條件熵的關系如下圖所示：

上面給出的互信息已經可以衡量兩個隨機變數的分布的差異，但是在機器學習中，更多的使用KL散度（相對熵）來衡量樣本分布和真實分布之間的距離，從而不停優化樣本分本。

KL散度定義如下：

其中p(x)時真實分布，q(x)時樣本分布，可以通過不停的訓練，使得 越來越小，從而使樣本分布更接近真實分布。

對上面KL散度進一步化簡，可得：

因為H(p(x))僅僅與真實分布有關，所以在機器學習模型的優化時，這個是一個定值。只能優化後面一個部分。

其後面這部分就被稱為盯轎交叉熵：

最大熵原理是 1957 年由美國統計學家、物理學家E.T.Jaynes 提出的，觀點將帶來新的信息量，因而後驗分布的熵一定小於先驗分布，而
滿足觀點約束的後驗分布有無窮多個，「最大熵原理」是指在這些分布中選擇熵最大，最具有不確定性的那一個，盡量不加入多餘假設和結構。

根據最大熵原理，我們如果對一個先驗分布增加信息，得到的後驗分布應該時這些後驗分布中熵最大的一個，也就是我們加入的信息產生的後驗分布應該和原來的先驗分布有最小的相對熵。這就是為什麼要進行最小化相對熵。

因為熵池模型時BL模型的泛化和推廣，所以，我們先回顧以下BL模型的推導。

BL模型裡面,先假設市場均衡收益服從如下分布:

構造觀點收益分布為：

根據BL模型的推導,使用貝葉斯收縮,得到,最後的收益分布為:

上面正態分布均值為：

上面正態分布方差為：

由 可以反解出配置權重.相信推導過程可參考<<金融模型——資產配置模型>>

我們仿照上面BL模型的過程，推導熵池模型．

這里是分成五步：

所謂的參考模型就是風險因子X的先驗聯合分布，可以用概率密度函數來表示：

其中 是一種分布的概率密度函數。

可以看到，原始的BL模型中，第一步是確定均衡收益的正態分布，熵池模型不需要限定在均衡收益上，可以是任意的風險因子X，而且這個X不需要服從正態分布，可以是任何分布。

這里一定要注意，我們由風險因子X一定可以通過一種方式求出資產配置的權重W。因為我們最後要求的就是W。理解這個地方也是理解整個模型最困難的地方，熵池模型用到的先驗分布和後驗分布不是資產配置的權重分布，我們如果要求得所需要的資產配置權重，要根據熵池模型用到的先驗分布或者後驗分布再另外引入優化演算法，求解其最優配置權重。

一般由風險因子X分布確定權重的方法是構造以 為自變數的滿意度函數，也就是效用函數S。使的效用函數最大化，反解W。

即：

其中C為資產配置權重解空間。這就是上面所說的另外引入的求解資產配置權重的優化演算法。

由上面的參考模型，我們已經可以反解配置權重了，但是觀點信息沒有考慮進去，這里採用的是熵池理論，最小化相對熵演算法，將觀點信息加入到分布中。

最小化相對熵演算法是貝葉斯收縮的泛化形式，為了更好泛化，這里的風險因子可以看成是原始風險因子X的一個函數g(X)，則g(x)也是一個隨機變數，其也服從已知的參考模型的分布 。

即：

我們在V上添加觀點信息。讓其滿足觀點，那麼我們的分布 就會被更新成 ，記：

我們如果把第一步中滿意度函數S中的 替換成 ，那麼我們使用最優化演算法，也可以反解出配置權重W.

但是，我們不能直接替換 ,因為， 我們不知道，或者說，滿足條件的 太多了。

那我們如何挑選一個最合適的 呢，我們挑選的 要滿足兩點，一是X必須滿足觀點信息，二是X僅僅
滿足觀點信息，不能夾雜任何其他多餘的信息。

如何選取滿足條件的 ， 剛剛好就是最大熵原理，我們只需要最小化 與 的相對熵，就可以找到最有的 。

即：

其中 為分布 與分布 的相對熵。

這里可以證明BL模型所用的貝葉斯收縮是最小化相對熵演算法的一種特例。

這樣，我們就把觀點信息引入到配置模型中，而且從推到的過程我們看到，此觀點沒有做任何的限制，可以是風險的觀點，可以是收益的觀點，可以是非線性的觀點，比起BL模型的現象觀點已經做了很大的泛化。具體觀點的引入形式，在第五小結--各類型觀點融入講解。

而且，因為使用了最大熵原理，添加的觀點信息如果是有效的，那麼模型得到的分布的熵一定是遞減的，添加的觀點信息如果是無效的，得到的分布的熵一定是不變的。這一點比BL模型好多了，BL模型即使無效的信息，後驗分布的熵也會變小。

熵池模型比起BL模型多一步，就是池化的一步，所謂池化，就是根據對觀點信息的信心程度，對參考模型和加了觀點的優化模型做一個加權處理。

即：

若存在著多個不同信心的觀點，也可通過對100%信心的後驗分布進行信心加權的方式進行融合，比如假設有S名專家分別對各自的𝒈(𝑿)輸入了他們的觀點，那麼我們可以得到S個 100%信心後驗分布 。最終後驗分布即為：

至此，熵池模型的推導結束。整個熵池模型的示意圖如下：

截止第4步，熵池模型的推導是結束了，但是我們只得到了風險因子在觀點下的後驗分布，並沒有得到我們想要的資產配置權重。我們可以根據風險因子在觀點下的後驗分布，可以得到資產價格的分布，另外引入優化模型（一般是構造效用函數），確定其資產配置權重。

上面的推導中可以看出，熵池模型比BL模型靈活的一點是，觀點的類型很多，這一節，我們分別看看個類型的觀點如何融入到模型中。

對於融入的觀點類型包括：均值、中位數、分位數、Var值、波動率、協方差、相關系數、尾部相關性、CVaR、邊緣分布、聯合分布、Copula等。

對於融入的觀點形式包括：等式、不等式、排序等。

均值觀點可以表達為：

這里的k代表第k個證券。 是觀點裡面對第k個證券給定的值， 是風險因子X的的函數 .

其展開形式為：

其中J為歷史界面樣本個數， 為資產k,歷史上在第j期因子v的權重, 同上。

對於n-分為數的觀點:

其中 為分布的n-分為數。

定義排序函數s(i)為風險因子中低i小的持續統計量。即 的T期值從小到大排序，低i個值對應的下標。

定義序號合集：

則n-分為數的觀點可表達為：

對於資產排序的觀點：

其中E為取期望，這里不一定是期望，可以是任意的函數，K是資產數量。

可以進行如下表達：

其他的觀點形式不一一推到，可以證明，所有的觀點都可以表述成一下模式：

其中 就是我們想要得到的後驗分布。a,b為觀點給的信息。

上面所有的內容都是關於一些熵池模型的理論知識，下面給出熵池模型在實際應用時如何求解，並且給出一個實際的例子。

在求解BL模型時，可以通過數學推導，解出模型的解析解，但是在熵池模型裡面，我們很難得到解析解，但是比較好的是，熵池模型的數值解非常簡潔。

下面我們就給出熵池模型的數值解。注意再強調一次，這里的解還是得到的後驗概率，不是資產配置的權重，資產配置的權重需要用後驗概率另外建模求解。

首先我們對K個需要配置的資產，選取J個歷史區間，統計每個歷史區間上每個資產的風險因子X（或者是風險因子的函數V=g(X)），假設風險因子有M個，則
我們就形成了一個JXM的矩陣。此矩陣的每一行代表一個歷史區間，此矩陣的每一列代表一個風險因子的邊緣分布。

這里如果我們知道每個風險因子X的聯合分布，我們不用去歷史上截取J個區間，我們直接可以使用蒙特卡洛模擬法在這個聯合分布裡面采樣。

由定價公式，我們認為風險因子X和t期的觀點信息 可以確定t+1期的資產價格 ，即：

其中Price為一個函數。

根據定價公式，我們可以把上面矩陣的每一行加上對應當期的觀點信息，映射成一個下一期的資產價格，因為資產有K個，所以可以把上面矩陣映射成一個JXK的矩陣。其矩陣的每一行還是一個歷史區間，其矩陣的每一類代表一個資產。矩陣中元素為資產價格。

我們最終的目標其實是利用定價公式，求出資產的價格，這里我們構建參考模型，假設我們預測的下一期資產的價格是歷史每期價格的加權平均，即：

其中k是第k個資產，J樣本歷史總區間數, 是第j個區間上價格的權重（概率）， 為第k個資產在第j個樣本區間上的價格。

那麼 就是我們的初始參考模型。這一參考模型一般認為是等權，即

等權意義就是，在沒有任何觀點信息的時候，我們認為當前價格應該等於歷史每一期價格的均值。

由上面的論述，所有的觀點都可以表述成一下模式：

其中，A為一個矩陣， 為需要求的帶有觀點的後驗分布，

所以，我們只需要求解以下優化問題即可。

承接上面論述，我們需要解決以下優化問題。

這是典型的凸優化問題，使用拉格朗日乘數法，將其轉換為拉格朗日對偶問題，可輕松解決，相信推導查看本人SVM的相關文章。

同SVM一樣，轉化成拉格朗日對偶問題後，問題回變得很簡潔，不論J取多大，要求的闡述和J的慣性都不大，計算量也不會增加。

根據觀點信息的信心程度，確定c,代入池化公式。

我們知道了最後的概率分布，這一概率分布是歷史價格的一個權重，我們根據歷史價格和這一概率分布，可以算出資產的價格，同理我們可以算出資產的收益率和風險。其計算方法就是馬科維茨均值方差的計算方法。

我們得到每一個資產的價格分布，從而我們可以計算出每一個資產的收益、風險、var之類的指標，從而引入其他優化問題，解出資產配置的權重。

熵池模型作為BL模型的泛化，與其他均值方差模型相比，有以下有點：
1、 可融合幾乎任意形式的觀點（線性與非線性、等式與非等式）；
2、 可對任意分布進行觀點融合；
3、 可以冪集映射的方式融入觀點間的相關性；
4、 觀點的影響具有整體性，會對相關資產做全局調整；
5、 利用最大熵原理避免不必要的假設和結構；
6、 情景表達法下無需重定價，計算速度更快。

熵池模型作為新興的一種資產配置模型，正在慢慢的普及，相信在未來會更加大眾化。

❼ 為什麼不同的股票軟體顯示主力資金不一樣

不同股票軟體顯示的主力資金不一樣，是因為每個軟體採用的演算法不一樣，獲得的數據渠道不同，自然顯示的內容就會有差別了。

❽ 股票價格的隨機遊走的含義

隨機遊走模型的提出是與證券價格的變動模式緊密聯系在一起的。最早使用統計方法分析收益率的著作是在 1900年由路易·巴舍利耶（Louis Bachelier）發表的，他把用於分析賭博的方法用於股票、債券、期貨和期權。在巴舍利耶的論文中，其具有開拓性的貢獻就在於認識到隨機遊走過程是布 朗運動。1953年，英國統計學家肯德爾在應用時間序列分析研究股票價格波動並試圖得出股票價格波動的模式時，得到了一個令人大感意外的結論：股票價格沒 有任何規律可尋，它就象「一個醉漢走步一樣，幾乎宛若機會之魔每周仍出一個隨機數字，把它加在目前的價格上，以此決定下一周的價格。」即股價遵循的是隨機 遊走規律。
這也跟市場有效原則有關
弱有效證券市場是指證券價格能夠充分反映價格歷史序列中包含的所有信息，如有關證券的價格、交易量等。如果這些歷史信息對證券價格變動都不會產生任何影響，則意味著證券市場達到了弱有效。