- 註冊時間
- 2022-12-5
- 最後登錄
- 2025-3-3
- 主題
- 查看
- 積分
- 88
- 閱讀權限
- 30
- 文章
- 177
- 相冊
- 1
- 日誌
- 8
 
狀態︰
離線
|
Matlab 瑪律可夫鏈預測威力彩
前言:彩票是一個坑,千萬不要往裡面跳。
總是想總是想一夜暴富,所以利用業餘時間有在研究彩票,偶爾遇見了這個經典的數學預測演算法的思路以及代碼,研究了兩個月,想和大家分享一下,研究不深,可能會有錯誤,歡迎指教,相互學習。
簡介
瑪律可夫(Markov)是俄國著名的數學家。瑪律可夫預測法是以瑪律可夫的名字命名的一種特殊的市場預測方法。瑪律可夫預測法主要用於市場佔有率的預測和銷售期望利潤的預測。就是一種預測事件發生的概率的方法。它是基於瑪律可夫鏈,根據事件的目前狀況預測其將來各個時刻(或時期)變動狀況的一種預測方法。瑪律可夫預測法是對地理、天氣、市場、進行預測的基本方法,它是地理預測中常用的重要方法之一。
定義,變形等形式,如有興趣可以通過
百度
https://baike.baidu.com/item/%E9 ... /6171383?fr=aladdin
維琪百科
https://zh.wikipedia.org/wiki/瑪律可夫鏈
https://brilliant.org/wiki/markov-chains/
等瞭解
定義,看不懂,沒關係,通過例子來理解更容易
假如一個人每天做事的狀態轉移是符合一定概率的,比如一個今天吃水果,那麼明天還吃水果的概率是0.3,做實驗的概率是0.6,睡覺的概率是0.1。
看下表
吃水果 做實驗 睡覺
吃水果 0.3 0.6 0.1
做實驗 0.5 0.1 0.4
水 果 0.2 0.4 0.4
以此類推 預測威力彩 只要能夠構造這個概率矩陣 就可以了這是我用matlab做的程式分析
load('rawdata') %讀取數據
rsize = size(rawdata, 1);%統計資料行數
red = zeros(1,6); %構建紅球0矩陣
for line = 1 : 6
a = zeros(38); %構建0概率矩陣
row = 1;
for row= 1 : rsize-1
a(rawdata(row,line),rawdata(row+1,line))=a(rawdata(row,line),rawdata(row+1,line))+1;
end %統計1→1 1→2 。。。等出現次數
sumrow = sum(a,2); %求矩陣每行次數次數的和
pa = a./sumrow;%算每種狀態改變的概率
pa(isnan(pa)==1) = 0;%因為會出現n/0的情況,將所有的nan換成0
redlast = zeros(1,38); %建立紅球最後一次的0 矩陣 redlast(1,rawdata(rsize,line))=1;%賦值,紅球當前狀態
redpro = redlast * pa;%預測,紅球發生狀態改變的概率
[~,red(1,line)]=max(redpro);% 取其中的概率最高的資料
end
disp (red); %輸出紅球
上面是紅球的
下面藍碼的方法差不多,就不再贅述
line = 7;
red = zeros(1,6);
row = 1;
for row= 1 : rsize-1
a(rawdata(row,line),rawdata(row+1,line))=a(rawdata(row,line),rawdata(row+1,line))+1;
end
sumrow = sum(a,2);
pa = a./sumrow;
pa(isnan(pa)==1) = 0;
bluelast = zeros(1,38);
bluelast(1,rawdata(rsize,line))=1;
bluepro = bluelast * pa;
[~,blue]=max(bluepro);
disp (blue);
後來我根據資料輸出的結果,買了幾期中獎概率依舊很隨緣!
我改了程式的輸出步驟,將每次結果進行統計和比較,評價了這個辦法
得到最高概率不過11%左右,只有高於40%的概率,你才能保證你不賠。
紅球評價的太麻煩,加上心灰意冷,所以就免了。
這是一個非專業人員自己瞎琢磨的,歡迎大神批評指正。
至於其他的預測的模型,我也會試試,等我敲完先評價再分享吧。
|
|