对于一个未知的贝叶斯网络，通常有三种方法可以对其结构进行推断：(1) 专家知识；(2)从数据集推断；(3)前面两种方法的结合。在许多研究中，构建贝叶斯网络首先由专家知识直接给出条件概率表(CPT)，再根据 CPT 估计贝叶斯网络结构。但是，在很多情况下，atv，对于特定贝叶斯网络结构，专家知识无法用于估算其中的条件概率。此时，如果有足够的数据集，可以网络参数学习的算法， 根据给定的数据集，对网络结构进行概率推断。

目前，关于贝叶斯网络参数学习的方法有很多种。在这篇研报中本用到的是 K2 算法。K2 算法由 Gregory F.Cooper 和 Edward Herskovits 在1991 年和 1992 年的两篇文章中首次提出，该算法的基本原理是通过对不同的贝叶斯网络结构进行打分，从而对贝叶斯网络结构进行选择和推断。在 K2 算法中， 假设有一个节点没有父节点，如果该节点新增加的父节点可以增加该网络结构的评分，那么该新增节点则作为父节点加入网络中。换言之，在网络推断过程中，K2 按顺序逐一考察节点变量，确定父节点，然后添加相应的边和节点。当额外增加的父节点不能增加评分，则停止增加该节点的父节点。

　　K2算法评分函数定义如下:

　　Nijk：样本数据中，当第 i 个节点(变量)的父节点为 j 的时候，该变量 为 k 的数据样本数量。

ri：第 i 个节点(变量)拥有的变量值上限。

贝叶斯网络工具箱BNT

贝叶斯网络工具箱BNT是kevin p.murphy基于Matlab语言开发的关于贝叶斯网络学习的开源软件包，提供了许多贝叶斯网络学习的底层基础函数库，支持多种类型的节点（概率分布）、精确推理和近似推理、参数学习及结构学习、静态模型和动态模型。

其中涉及K2算法如下：

　　调用函数：learn_struct_k2()

K2算法(Cooper and Herskovits, 1992)是一种按如下方式工作的贪婪搜索算法。每一个起始点没有父节点。然后增加结果结构打分最高时的父节点。当单独添加父节点再不能提高分数时，停止添加父节点。当我们使用固定的顺序时，开奖，我们不需要做循环检查，也不需要为每个节点单独选择父节点。

BNT推广了这点允许使用任何种类的CPD，无论贝叶斯打分规则还是BIC，另外，你可以对每一个节点指定一个任意的父节点数量的上限。

　　order = [C S R W];

　　max_fan_in = 2;

　　dag2 = learn_struct_K2(data, ns, order, 'max_fan_in', max_fan_in);

K2 算法计算流程图：

　　策略模型变量选择

　　根据已有信息，预测未来 K 线的变化。选择的变量数量越多，回溯的期数越长，引入的历史信息就会越多。但是我们认为指标的数量与预测精度并不成正比，这是因为引入越多的变量指标，可能会增加越多的噪声信号， 从而影响判断精度。

　　自定义指标库

　　除了上述 6 组指标，还可以引入其他的指标，如持仓量、最高价、最低价、KDJ、MACD 等。在完成指标选择之后，我们需要对指标进行处理，通过函数 将其转化为状态变量。

　　出于简化模型的目的，在策略中，使用的状态变量为二元变量。转换函数定义如下:

　　其中， rt 为变量 x 在时间 t 和时间 t-1 之间的变化率。通过上式，可以将所有变量转化为二元变量，且消除了单位的影响。

　　策略实施步骤