Todas las guías de opciones
Dos formas de aprender parámetros con el mismo modelo de datos15 min de lectura
Máxima Verosimilitud vs Inferencia Bayesiana en Finanzas
Compara la maximización de verosimilitud con la actualización posterior, incluidos priors, MAP, incertidumbre, regularización, predicción, mala especificación del modelo y sensibilidad a regímenes financieros
Preparado por Mark · Fuentes principales al final
Respuesta directa
La Máxima Verosimilitud elige los parámetros que hacen más verosímiles los datos observados bajo un modelo definido. La inferencia bayesiana combina esa misma verosimilitud con una distribución previa para obtener una distribución posterior sobre parámetros y predicciones. Ningún método corrige una verosimilitud equivocada, un régimen inestable, sesgo de selección o datos deficientes
Ambos métodos parten de un modelo probabilístico
Para datos y y parámetro θ, la verosimilitud L(θ;y)=p(y|θ) trata la densidad muestral como función de θ, manteniendo y fija
No es la probabilidad de que θ sea verdadero, y multiplicarla por una constante independiente de θ no altera las comparaciones de verosimilitud
El proceso de observación, la dependencia, la censura, los costes de transacción y el mecanismo de datos ausentes deben entrar en el modelo antes de estimar
La Máxima Verosimilitud selecciona un punto
El estimador θ̂ maximiza L o log L y puede ser consistente, asintóticamente normal y eficiente bajo regularidad y especificación correcta
La curvatura, la verosimilitud perfilada, los estimadores sándwich o el bootstrap pueden medir la incertidumbre alrededor de la estimación puntual
Los parámetros en fronteras, la identificación débil, la multimodalidad, las muestras pequeñas y las colas pesadas vuelven poco fiables los errores asintóticos habituales
La inferencia bayesiana actualiza una distribución
La regla de Bayes p(θ|y)∝p(y|θ)p(θ) combina la verosimilitud con un prior que debe ser propio o estar matemáticamente justificado
Los resúmenes posteriores pueden incluir medias, medianas, intervalos creíbles, probabilidades de cola y la distribución completa de cantidades de riesgo derivadas
La posterior está condicionada al modelo y al prior; no demuestra de forma incondicional que se haya descubierto el proceso generador de datos
MAP no es toda la respuesta bayesiana
La estimación máxima a posteriori maximiza la suma de log verosimilitud y log prior, y puede parecerse a una optimización penalizada
MAP cambia con una reparametrización no lineal porque el modo de una densidad depende de las coordenadas, mientras que las probabilidades posteriores se transforman coherentemente
Reducir la inferencia bayesiana a un punto MAP elimina la incertidumbre de parámetros y la hace parecer más similar a Máxima Verosimilitud de lo que es
Priors y penalizaciones codifican supuestos
Los priors débilmente informativos pueden regularizar parámetros inestables, imponer escalas plausibles y evitar regiones imposibles
La penalización frecuentista puede producir una contracción numérica similar sin interpretar la penalización como una distribución de probabilidad
Debe informarse la sensibilidad a familias previas, hiperparámetros, restricciones y parametrización, en lugar de ocultarla tras valores predeterminados
Las finanzas amplifican el riesgo de modelo y régimen
Los historiales cortos, las crisis raras, la volatilidad latente, la no estacionariedad y una microestructura cambiante reducen la información asintótica
Una posterior puede ser estrecha y errónea si una verosimilitud rígida interpreta una ruptura estructural como muchas observaciones confirmatorias
La estimación móvil, el agrupamiento jerárquico, los modelos de estados, las verosimilitudes robustas y los cambios explícitos resuelven problemas y supuestos distintos
La predicción ofrece la comparación más justa
Evalúa las distribuciones predictivas en periodos futuros realmente reservados mediante log scores, calibración, cobertura, pérdidas de cola y utilidad para la decisión
En modelos bayesianos, revisa la predicción previa y posterior, los diagnósticos de convergencia, el tamaño efectivo y la sensibilidad
Para cualquier método, compara verosimilitudes y regímenes alternativos porque la convergencia computacional no constituye validación estadística
Preguntas frecuentes
¿Qué es la estimación por Máxima Verosimilitud?
Selecciona los parámetros con los que el modelo especificado asigna la mayor verosimilitud a los datos observados
¿Qué añade la inferencia bayesiana?
Combina una verosimilitud con un prior y devuelve una distribución posterior para parámetros, predicciones y cantidades derivadas
¿La estimación MAP es igual a la Máxima Verosimilitud?
Solo con un prior plano en la parametrización elegida; en general, MAP incorpora el prior y depende de las coordenadas
¿La inferencia bayesiana siempre es mejor con pocos datos?
No. Los priors pueden estabilizar datos débiles, pero un mal prior o una verosimilitud mal especificada también producen errores seguros
Fuentes
Aplique esta idea a una opción
Elija un contrato y un objetivo para mantener visibles los supuestos de precio, tiempo y volatilidad en un mismo análisis
Analizar mi opción en inglés