统计估计：用 MQL5 与 Gnuplot 估计序列参数并可视化

为什么要先做统计估计

计量经济、价格预测类文章常默认读者精通统计、能轻松估计序列参数。但大多数模型依赖“正态分布”“已知离差”等假设，建模前必须先估计真实数据的统计参数，否则前提就是错的。

样本参数分析

假设存在一个静止过程的总体，从中抽出 N 个样本。我们不知道真实参数，只能依据有限样本估计。dStat 计算基本统计量，dHist 生成直方图数据，dRankit 生成 QQ 图分位。

int dStat(double &arr[], double &mean, double &var, double &skew, double &kurt);
int dHist(double &arr[], int bins, double &x[], double &y[]);
int dRankit(double &arr[], double &theo[], double &obs[]);
// 调用 Gnuplot 出图
bool grPlot(string script);
bool saveScript(string f, string s);

避免异常值误导

采样含过大误差（异常值）会严重拉偏估计，尤其样本少时。是否剔除异常值需谨慎——它可能是真实极端事件而非错误。决策逻辑要可解释、可回滚。

• 先用分位数/IQR 识别疑似异常值，不自动删。
• 对比“含异常值”与“剔除后”两套估计，差异大则报警。
• 时间序列中异常值对应跳空/闪崩，常是信号而非噪声。

可视化：直方图与 QQ 图

用 Gnuplot 把估计结果画出：直方图看分布形态，QQ 图（dRankit）看是否偏离正态。ShellExecuteW 可在 MQL5 里调起外部 Gnuplot 进程并传脚本。

小结

统计估计是把“假设”变成“证据”的环节：用 MQL5 算参数、Gnuplot 可视化、异常值谨慎处理，为后续建模与预测打好地基。