Finance में Maximum Likelihood बनाम Bayesian Inference
Likelihood maximization और posterior updating की तुलना करें, जिसमें priors, MAP, uncertainty, regularization, prediction, model misspecification और financial regime sensitivity शामिल हैं
सीधा जवाब
Maximum Likelihood चुने हुए model के अंतर्गत observed data को सबसे likely बनाने वाले parameter values चुनता है। Bayesian inference उसी likelihood को prior के साथ जोड़कर parameters और predictions की posterior distribution बनाता है। कोई भी method गलत likelihood, unstable regime, selection bias या खराब data को ठीक नहीं करता
दोनों methods probability model से शुरू होते हैं
Data y और parameter θ के लिए likelihood L(θ;y)=p(y|θ), y को fixed रखते हुए sampling density को θ के function की तरह देखती है
यह इस बात की probability नहीं है कि θ true है, और θ से independent constant से multiply करने पर likelihood comparison नहीं बदलता
Observation process, dependence, censoring, transaction costs और missing-data mechanism estimation से पहले model में शामिल होने चाहिए
Maximum Likelihood एक point चुनता है
MLE θ̂, L या log L को maximize करता है और सही specification तथा regularity में consistency, asymptotic normality और efficiency पा सकता है
Curvature, profile likelihood, sandwich estimators या bootstrap point estimate के आसपास uncertainty quantify कर सकते हैं
Boundary parameters, weak identification, multimodality, छोटे samples और heavy tails standard asymptotic errors को unreliable बना सकते हैं
Bayesian inference distribution update करता है
Bayes rule p(θ|y)∝p(y|θ)p(θ) है, जो likelihood को ऐसे prior से जोड़ता है जो proper हो या mathematically justified हो
Posterior summaries में means, medians, credible intervals, tail probabilities और derived risk quantities की पूरी distribution शामिल हो सकती है
Posterior model और prior पर conditional है; यह unconditional proof नहीं है कि data-generating process मिल गया है
MAP पूरा Bayesian answer नहीं है
Maximum a posteriori estimate log likelihood और log prior के योग को maximize करता है और penalized optimization जैसा दिख सकता है
MAP nonlinear reparameterization पर बदलता है क्योंकि density mode coordinates पर निर्भर होता है, जबकि posterior probabilities coherently transform होती हैं
Bayesian inference को एक MAP point तक घटाने से parameter uncertainty छूट जाती है और method MLE जैसा दिखने लगता है
Priors और penalties assumptions encode करते हैं
Weakly informative priors unstable parameters को regularize, plausible scales को enforce और impossible regions को रोक सकते हैं
Frequentist penalization similar numerical shrinkage दे सकती है, बिना penalty को probability distribution मानने के
Prior families, hyperparameters, constraints और parameterization के प्रति sensitivity को default के पीछे छिपाने के बजाय report करें
Finance model और regime risk को बढ़ाता है
Short histories, rare crises, latent volatility, nonstationarity और बदलती market microstructure asymptotic information को scarce बनाते हैं
यदि rigid likelihood structural break को confirming observations समझे, तो posterior संकीर्ण होकर भी गलत हो सकती है
Rolling estimation, hierarchical pooling, state-space dynamics, robust likelihoods और explicit break models अलग-अलग problems address करते हैं
Prediction सबसे निष्पक्ष comparison है
सच्चे held-out future periods पर predictive distributions को log scores, calibration, coverage, tail losses और decision utility से evaluate करें
Bayesian models में prior और posterior predictive behavior, convergence diagnostics, effective sample size और sensitivity check करें
हर method के लिए alternative likelihoods और regimes compare करें, क्योंकि computational convergence statistical validation नहीं है
आम सवाल
Maximum Likelihood Estimation क्या है?
यह वे parameter values चुनता है जिनके अंतर्गत specified model observed data को सबसे अधिक likelihood देता है
Bayesian inference क्या जोड़ता है?
यह likelihood को prior से जोड़कर parameters, predictions और derived quantities की posterior distribution देता है
क्या MAP estimation MLE के समान है?
केवल चुने हुए parameterization में flat prior होने पर; सामान्यतः MAP prior को शामिल करता है और coordinates पर निर्भर है
क्या कम data में Bayesian inference हमेशा बेहतर है?
नहीं। Priors कमजोर data को stabilize कर सकते हैं, लेकिन खराब prior या misspecified likelihood confident errors भी बना सकते हैं