说明
我们需要算法做什么？简单点说提高几率。
内容
这里我们简单点就把几率(Odds）称为赢率吧，比较符合中国人的思维。上次提到的转移矩阵，能揭示一些信息
但是，从输赢的角度上，一阶转移矩阵给我们提供的信息非常弱。假设我们处在4（振荡）的时候认为是平手，那么我们关心下一次我们会赢还是输。
计算的结果说明，知道今天的状态，明天输赢仍然接近1：1，也就是说没啥信息。事实结果也是如此，在4.30时状态为1，赢面很小，而且向下跌的概率显然高于向上涨的。实际在下一个交易日其结果在2的边缘，接近1。
但是仔细看odds，在不同的状态下还是有差别的，比较明显的就是，如果今天大涨(>5%),那么下一交易日的赢面很高。当然4.29和4.30是个反例，所以概率这件事，样本要够大才能体现作用。这就要求每手尽量小（5k左右），这样基本上就比较稳了。
当然比较模糊的odds既减少了出手的机会，也削弱了盈利能力，所以模型的作用是放大信息，将odds弄的更准确。至少要达到10：1的赢率，甚至理想状态下应该是25：1。这样才能达到商用的水准，高盈利才能覆盖意外的全损。
某种程度上，也就是KS值的提升。
1 方向1：高阶关系
之前我们只考虑一阶关系，我们试图看二阶关系。即前假设前两个时隙会对后一个时隙产生影响。
虽然数据比较少，存在较大的偏差，但是可以感觉一下，如果前面两个是1，1，接下来是1的可能性很高（继续大跌）；但如果前面两个是1，2，那么保持平稳或向上涨的概率高些。二阶透露出了更多的信息，因此顺着这个思路可以考虑窗口为n的时间序列挖掘。也就是之前提到的混合窗口预测。
当然还有一种方法是主动分割趋势。通过我比较喜欢的HMM(隐马尔科夫模型）推测潜在的状态，估计现在的模式。
2 方向2 横向的特征拓展
此时将时间上的特点压缩到空间平面，寻找一个最佳分割的超平面决策。
总结
- 1 概率最早起源就是和博彩业密切相关的
- 2 模型帮助我们强化信息，从而更容易决策
- 3 每手尽量小，手数尽量多，概率服从大数定律
