Maximum-Likelihood vs. Bayes-Inferenz in der Finanzwirtschaft
Vergleichen Sie Likelihood-Maximierung mit der Aktualisierung des Posteriors, einschließlich Priors, MAP, Unsicherheit, Regularisierung, Prognose, Modellspezifikation und der Empfindlichkeit finanzieller Regime
Kurzantwort
Maximum-Likelihood wählt Parameterwerte, unter denen die beobachteten Daten nach einem bestimmten Modell am wahrscheinlichsten sind. Bayes-Inferenz verbindet dieselbe Likelihood mit einem Prior, um eine Posterior-Verteilung über Parameter und Prognosen zu erhalten. Keine der beiden Methoden repariert eine falsche Likelihood, ein instabiles Regime, einen Auswahlfehler oder schlechte Daten.
Beide Methoden beginnen mit einem Wahrscheinlichkeitsmodell
Für Daten y und Parameter θ betrachtet die Likelihood L(θ;y)=p(y|θ) die Stichprobendichte als Funktion von θ bei festem y.
Sie ist nicht die Wahrscheinlichkeit, dass θ wahr ist, und ihre Multiplikation mit einer von θ unabhängigen Konstante verändert den Vergleich von Likelihoods nicht.
Der Beobachtungsprozess, Abhängigkeiten, Zensierung, Transaktionskosten und der Mechanismus fehlender Daten gehören in das Modell, bevor die Schätzung beginnt.
Maximum-Likelihood wählt einen Punkt
Der MLE θ̂ maximiert L oder log L und weist unter Regularität und korrekter Spezifikation oft Konsistenz, asymptotische Normalität und Effizienz auf.
Krümmung, Profil-Likelihood, Sandwich-Schätzer oder Bootstrap-Verfahren können die Unsicherheit um die Punktschätzung quantifizieren.
Randparameter, schwache Identifikation, Multimodalität, kleine Stichproben und schwere Tails können standardmäßige asymptotische Fehler unzuverlässig machen.
Bayes-Inferenz aktualisiert eine Verteilung
Die Bayes-Regel lautet p(θ|y)∝p(y|θ)p(θ) und verbindet eine Likelihood mit einem Prior, der proper oder anderweitig mathematisch begründet sein muss.
Posterior-Zusammenfassungen können Mittelwerte, Mediane, glaubwürdige Intervalle, Tail-Wahrscheinlichkeiten und die vollständige Verteilung abgeleiteter Risikogrößen enthalten.
Der Posterior ist abhängig von Modell und Prior. Er ist kein unbedingter Beweis, dass der datenerzeugende Prozess gefunden wurde.
MAP ist nicht die gesamte Bayes-Antwort
Die Maximum-a-posteriori-Schätzung maximiert Log-Likelihood plus Log-Prior und kann einer penalisierten Optimierung ähneln.
MAP verändert sich bei einer nichtlinearen Reparametrisierung, weil ein Dichtemodus von den Koordinaten abhängt, während sich Posterior-Wahrscheinlichkeiten konsistent transformieren.
Bayes-Inferenz auf einen einzigen MAP-Punkt zu reduzieren, verwirft Parameterunsicherheit und kann sie ähnlicher aussehen lassen als die MLE, als sie ist.
Priors und Strafen kodieren Annahmen
Schwach informative Priors können instabile Parameter regularisieren, plausible Größenordnungen erzwingen und unmögliche Bereiche verhindern.
Frequentistische Penaliserung kann eine ähnliche numerische Schrumpfung liefern, ohne die Strafe als Wahrscheinlichkeitsverteilung zu interpretieren.
Die Empfindlichkeit gegenüber Prior-Familien, Hyperparametern, Restriktionen und Parametrisierung sollte berichtet und nicht hinter einem Standardwert verborgen werden.
Die Finanzwirtschaft verstärkt Modell- und Regimerisiko
Kurze Historien, seltene Krisen, latente Volatilität, Nichtstationarität und eine sich verändernde Markt-Mikrostruktur machen asymptotische Information knapp.
Ein Posterior kann eng und dennoch falsch werden, wenn eine starre Likelihood einen Strukturbruch als viele bestätigende Beobachtungen behandelt.
Rollierende Schätzung, hierarchisches Pooling, Zustandsraumdynamik, robuste Likelihoods und ausdrückliche Bruchmodelle behandeln unterschiedliche Probleme und beruhen auf unterschiedlichen Annahmen.
Prognosen sind der fairste Vergleich
Bewerten Sie prädiktive Verteilungen in wirklich zurückgehaltenen zukünftigen Perioden anhand von Log-Scores, Kalibrierung, Abdeckung, Tail-Verlusten und Entscheidungsnutzen.
Prüfen Sie bei Bayes-Modellen das Verhalten der Prior- und Posterior-Prädiktion, Konvergenzdiagnostik, effektive Stichprobengröße und Sensitivität.
Vergleichen Sie bei jeder Methode alternative Likelihoods und Regime, denn rechnerische Konvergenz ist keine statistische Validierung.
Häufige Fragen
Was ist Maximum-Likelihood-Schätzung?
Sie wählt Parameterwerte, unter denen das angegebene Modell den beobachteten Daten die größte Likelihood zuweist.
Was fügt Bayes-Inferenz hinzu?
Sie verbindet eine Likelihood mit einem Prior und liefert eine Posterior-Verteilung für Parameter, Prognosen und abgeleitete Größen.
Ist MAP-Schätzung dasselbe wie MLE?
Nur bei einem flachen Prior in der gewählten Parametrisierung; im Allgemeinen bezieht MAP den Prior ein und hängt von den Koordinaten ab.
Ist Bayes-Inferenz bei wenig Daten immer besser?
Nein. Priors können schwache Daten stabilisieren, aber ein schlechter Prior oder eine falsch spezifizierte Likelihood kann ebenfalls selbstsichere Fehler erzeugen.