统计分布在交易者工作中的作用：从理论分布到实战采样
统计分布描述的是“随机变量取值的可能规律”——比如收益率落在 +1% 到 +2% 之间的概率有多大。对交易者来说，它是一切量化判断的地基：凯利公式、风险价值（VaR）、回测的样本外可靠性，底层都依赖你对“收益分布形状”的假设。MQL5 作者把《用 MQL5 表示统计概率分布》里的分布类当作地基，本文直接用真实数据集来实践这些类，并演示如何做参数估计与假设检验。
一、为什么交易者要懂统计分布
市场不是掷硬币那样的纯随机过程。如果你连续记录 EURUSD 的K线，会发现‘前一根收阴后，下一根回补上涨’的概率显著高于 50%。这类规律必须放在“分布”的框架里才能量化：单个样本看不出什么，但把成千上万根K线聚合成分布，形状就出来了。懂得分布，你才分得清“这波亏损是正常波动还是策略失效”；懂得分布，你才不会把小样本里的噪声当成规律去过度拟合。
二、从随机数生成开始：Random 与 CNormaldev 类
要检验一个统计方法对不对，最干净的办法是：先按某个已知理论分布造一批随机数，再用品方法去还原它的参数，看能不能还原回来。作者移植了《Numerical Recipes》里的高质量生成器（周期约 3.138×10^57），封装成 Random 基类，再用 CNormaldev 继承它，专门产出服从正态分布的随机数。
注意 CNormaldev 里持有一个 CNormaldist 成员 N（均值 mu、标准差 sig）。这比 C 原版更清晰：随机数生成器和“它属于哪个分布”在编程上建立了逻辑连接。其余分布（指数、卡方、学生 t 等）的全部类都放在 Random_class.mqh 里，按需取用。
class CNormaldev : public Random {
public : CNormaldist N;
void setNormaldev(CNormaldist &Nn, ulong j) { N.mu=Nn.mu; N.sig=Nn.sig; randomSet(j); }
double dev() { // Leva 均匀比例法，从正态生成随机数
double u,v,x,y,q;
do { u=doub(); v=1.7156*(doub()-0.5); x=u-0.449871; y=fabs(v)+0.386595;
q=pow(x,2)+y*(0.19600*y-0.25472*x); }
while(q>0.27597 && (q>0.27846 || pow(v,2)>-4.*log(u)*pow(u,2)));
return N.mu+N.sig*v/u; }
};
三、经验分布与参数估计：CExpStatistics 类
拿到真实样本（比如 500 根K线的波动值）后，第一步是清洗：用 Bulashev 法删掉异常值（明显偏离主体的极端点），否则均值方差会被带偏。CExpStatistics 类返回的正是“去异常值后的数组 Parr[]”，顺带给出一堆描述统计：中位数、四分位距、均值、方差、标准差、偏度、峰度。
- median / median50：中位数与 50% 四分位中距（midquartile），对异常值不敏感
- expVariance / expStddev：估计的方差与标准差
- Moment：任意阶矩，用来算偏度（不对称）和峰度（胖尾）
- outlierDelete：按规则剔除异常值，censorR 给出删减系数
四、直方图：把样本画出来（Sturges + Allocate）
清洗完，用直方图把分布“看”出来。先按 Sturges 公式定分组数 k = 1 + log2(n)（经验上限 15），再用 Allocate 函数把每个样本点分配到对应区间，得到频率数组 f[] 和区间中点 b[]。作者用 histogramSave 把结果写成 HTML 直方图。
int Sturges(int n){ double s=1.+log2(n); if(s>15) s=15; return (int)floor(s); }
文中用 volatilityTest.mq5 画了 EURUSD H4 的波动直方图，又用 returnsTest.mq5 画了标准化对数收益的直方图。后者第 4、5 组最“扎眼”（244、124 个样本），说明真实收益明显偏离正态——这正是指令你别盲信正态假设的证据。
五、正态性检验与分布拟合：Jarque-Bera 与卡方
直方图只是肉眼判断。要下结论，得上检验：Jarque-Bera 检验“样本是否来自均值方差未知的正态分布”，返回 p 值；卡方检验（chsone）则把经验频率 f[] 和某理论分布的期望频率 ebins[] 比对，算出卡方统计量和接受概率 prob。prob 很小就说明“你的数据不服从这个理论分布”。
void jarqueberatest(double &x[], double &p){
int n=ArraySize(x); double s; p=0.;
if(n<5){ p=1.0; return; } // 样本太小，无法判断
jarquebera_jarqueberastatistic(x,n,s);
p=jarquebera_jarqueberaapprox(n,s); // 返回 p 值
}
六、在交易里怎么用
- 回测可信度：用随机分布造“安慰剂”行情，验证你的 EA 是不是靠运气盈利
- 风险建模：估计收益分布后算 VaR / CVaR，定仓位大小
- 参数校验：用 Jarque-Bera 检查策略收益是否正态，再决定用什么统计工具
- 样本诊断：用 CExpStatistics 抠掉异常成交（滑点尖刺）后再算绩效，避免被单次极端点误导
七、小结
统计分布不是书斋里的数学，而是交易者把“经验”翻译成“概率”的必经之路。本文给出的 MQL5 工具链——随机数生成、CExpStatistics 清洗估计、Sturges/Allocate 直方图、Jarque-Bera 与卡方检验——正好覆盖从“造数据”到“验假设”的完整闭环。把这套链路接进你的回测和风险模块，决策就从拍脑袋变成了看分布。