Maximum de vraisemblance et inférence bayésienne en finance
Comparez la maximisation de la vraisemblance et la mise à jour a posteriori, notamment les a priori, la MAP, l'incertitude, la régularisation, la prévision, la mauvaise spécification du modèle et la sensibilité aux régimes financiers
Réponse directe
Le maximum de vraisemblance choisit les valeurs des paramètres qui rendent les données observées les plus vraisemblables sous un modèle donné. L'inférence bayésienne combine la même vraisemblance avec un a priori pour obtenir une distribution a posteriori des paramètres et des prévisions. Aucune des deux méthodes ne corrige une vraisemblance erronée, un régime instable, un biais de sélection ou de mauvaises données.
Les deux méthodes commencent par un modèle probabiliste
Pour les données y et le paramètre θ, la vraisemblance L(θ;y)=p(y|θ) considère la densité d'échantillonnage comme une fonction de θ, y étant fixé.
Elle n'est pas la probabilité que θ soit vrai, et la multiplier par une constante indépendante de θ ne modifie pas les comparaisons de vraisemblance.
Le processus d'observation, la dépendance, la censure, les coûts de transaction et le mécanisme des données manquantes doivent être intégrés au modèle avant le début de l'estimation.
Le maximum de vraisemblance sélectionne un point
L'estimateur du maximum de vraisemblance θ̂ maximise L ou log L et présente souvent la convergence, la normalité asymptotique et l'efficacité sous des conditions de régularité et une spécification correcte.
La courbure, la vraisemblance profilée, les estimateurs sandwich ou les méthodes bootstrap peuvent quantifier l'incertitude autour de l'estimation ponctuelle.
Les paramètres à la frontière, la faible identification, la multimodalité, les petits échantillons et les queues épaisses peuvent rendre les erreurs asymptotiques standard peu fiables.
L'inférence bayésienne met à jour une distribution
La règle de Bayes donne p(θ|y)∝p(y|θ)p(θ), en combinant la vraisemblance avec un a priori qui doit être propre ou autrement justifié mathématiquement.
Les résumés a posteriori peuvent inclure les moyennes, les médianes, les intervalles de crédibilité, les probabilités de queue et la distribution complète des quantités de risque dérivées.
La loi a posteriori est conditionnelle au modèle et à l'a priori ; elle ne prouve pas de manière inconditionnelle que le processus générateur des données a été découvert.
La MAP n'est pas toute la réponse bayésienne
L'estimation du maximum a posteriori maximise le log de la vraisemblance plus le log de l'a priori et peut ressembler à une optimisation pénalisée.
La MAP change sous une reparamétrisation non linéaire parce que le mode d'une densité dépend des coordonnées, tandis que les probabilités a posteriori se transforment de manière cohérente.
Réduire l'inférence bayésienne à un seul point MAP supprime l'incertitude sur les paramètres et peut la faire paraître plus proche du maximum de vraisemblance qu'elle ne l'est.
Les a priori et les pénalités encodent des hypothèses
Des a priori faiblement informatifs peuvent régulariser des paramètres instables, imposer des échelles plausibles et empêcher les régions impossibles.
La pénalisation fréquentiste peut produire un rétrécissement numérique similaire sans interpréter la pénalité comme une distribution de probabilité.
La sensibilité aux familles d'a priori, aux hyperparamètres, aux contraintes et à la paramétrisation doit être indiquée plutôt que masquée derrière une valeur par défaut.
La finance amplifie le risque de modèle et de régime
Les historiques courts, les crises rares, la volatilité latente, la non-stationnarité et l'évolution de la microstructure du marché rendent l'information asymptotique limitée.
Une loi a posteriori peut être étroitement fausse si une vraisemblance rigide traite une rupture structurelle comme une série d'observations confirmatoires.
L'estimation glissante, la mutualisation hiérarchique, les dynamiques en espace d'état, les vraisemblances robustes et les modèles de rupture explicites répondent à des problèmes et à des hypothèses différents.
La prévision est la comparaison la plus équitable
Évaluez les distributions prédictives sur des périodes futures véritablement hors échantillon à l'aide des scores logarithmiques, de la calibration, de la couverture, des pertes de queue et de l'utilité de décision.
Pour les modèles bayésiens, vérifiez le comportement prédictif a priori et a posteriori, les diagnostics de convergence, la taille effective de l'échantillon et la sensibilité.
Pour chaque méthode, comparez les vraisemblances et les régimes alternatifs, car la convergence informatique ne constitue pas une validation statistique.
Questions fréquentes
Qu'est-ce que l'estimation du maximum de vraisemblance ?
Elle sélectionne les valeurs des paramètres pour lesquelles le modèle spécifié attribue la plus grande vraisemblance aux données observées.
Qu'ajoute l'inférence bayésienne ?
Elle combine une vraisemblance avec un a priori et renvoie une distribution a posteriori pour les paramètres, les prévisions et les quantités dérivées.
L'estimation MAP est-elle identique au maximum de vraisemblance ?
Uniquement avec un a priori plat dans la paramétrisation choisie ; en général, la MAP inclut l'a priori et dépend des coordonnées.
L'inférence bayésienne est-elle toujours meilleure avec peu de données ?
Non. Les a priori peuvent stabiliser des données faibles, mais un mauvais a priori ou une vraisemblance mal spécifiée peut aussi produire des erreurs confiantes.