Список проголосовавших за комментарий "Мыслей много непустых у автора, но ряд выводов показывает недостаточную математическую подготовку.<br/> Как верно выше написали, МО всегда оценивается, вычислить можно лишь в очень специальных примерах случайных процессов. А по поводу оценок разработана обширная теория.<br/> Обратили внимание, для примера, что прогнозы погоды с годами становятся всё точнее? Методы работают, теория совершенствуется.<br/> Посмотрите на байесовский подход к вероятности. Используется в теории риска, западные компании давно опираются на такие расчёты в своей деятельности.<br/> Применительно к свечным паттернам его можно было б описать схемой:<br/> 1. Выбираете паттерн с параметрами в некоторых пределах. Собираете историческую статистику срабатываний его на одинаковых по длительности интервалах: падающих, растущих, в боковиках. Если во всех случаях получаете отношение + к — более 50%, то есть смысл строить распределение числа +.<br/> 2. Теперь надо выбрать модель этого распределения, как известное или комбинацию известных (в математике) распределений. МО его будет априорной оценкой.<br/> 3. Затем переходят к онлайн графику и собирают с него дальнейшую статистику ± по паттерну. Получают т.н. функцию правдоподобия. Это позволяет скорректировать априорное распределение, учитывая поступающую дополнительную информацию. Получают апостериорное распределение.<br/> <br/> Вот его МО и есть несмещённая наилучшая оценка для статистики срабатываний в плюс паттерна. В переводе на простой язык — лучшая, которую можно получить из имеющихся данных.<br/> "