统计分布在交易者工作中的作用：从理论分布到实战采样

为什么交易者需要统计分布

随机性的对立面是“规律性”。如果放在市场环境中考虑，随机性-规律性相关性直接影响交易者获得的盈利金额。我们先用理论分布描述随机变量样本，再通过采样验证自己关于市场的假设是否成立。

例如“价格像掷硬币一样无序、每根 K 线独立”是常见浪漫假设，但用真实数据跑一遍分布拟合就会发现它站不住脚。

Random 类：生成指定分布的随机样本

为了检验各种统计测试，我们需要能按指定规律生成样本的工具。数值算法经典《Numerical Recipes》提供的高质量生成器期段约 3.138×10^57，把它的 C 代码迁移到 MQL5 即可得到 Random 类。

// Random: 生成服从指定分布的随机样本
class Random
  {
private:
   uint m_seed;
public:
   void Random(uint seed) { m_seed = seed; }
   // 均匀随机数 [0,1)
   double doub() { return (double)rand()/(double)RAND_MAX; }
   // 正态分布（Box-Muller）
   double normalDev(double mean, double sigma);
   // 指数/泊松等由派生类实现
  };

类层次结构与 CNormaldev

CNormaldev 封装正态分布抽样，setNormaldev 设置参数，dev() 返回一个抽样值；CExpStatistics 负责累积样本统计（均值、方差）。这种层次结构让你只需传入参数和样本量，就能拿到一组值供后续处理。

• Random 基类：提供均匀随机数 doub() 与种子管理 randomSet()。
• CNormaldev：正态分布抽样，含 stdz() 标准化与 setArrays() 批量填充。
• CExpStatistics：累积样本统计量，ZeroCheckArray() 过滤零值异常。

用采样验证统计假设

获得理论分布样本后，可做两组对照：一是检查自己策略的历史收益是否服从正态分布（决定用夏普还是其他风险指标）；二是用蒙特卡洛模拟未来回撤分布，给仓位管理提供依据。

将分布落地到交易决策

实战中，正态分布可用于止损间距的波动率标定（用样本标准差 σ），指数分布可建模持仓时间。把这些类作为基础库沉淀下来，后续所有量化模块都能复用。

小结

理论分布类库是量化交易的底座：生成随机样本→拟合真实数据→检验假设→反哺风控。下一步可结合“用 MQL5 表示统计概率分布”一文中的 pdf/cdf 方法做更精细的密度估计。