Maximum Likelihood vs Inferensi Bayesian dalam Keuangan
Bandingkan maksimisasi likelihood dengan pembaruan posterior, termasuk prior, MAP, ketidakpastian, regularisasi, prediksi, salah spesifikasi model, dan sensitivitas rezim kewangan
Jawapan terus
Maximum Likelihood memilih nilai parameter yang menjadikan data diperhatikan paling berkemungkinan di bawah model tertentu. Inferens Bayesian menggabungkan likelihood yang sama dengan prior untuk mendapatkan taburan posterior bagi parameter dan ramalan. Tiada satu pun membaiki likelihood yang salah, rejim tidak stabil, bias pemilihan, atau data buruk
Kedua-dua kaedah bermula dengan model kebarangkalian
Bagi data y dan parameter θ, likelihood L(θ;y)=p(y|θ) melihat ketumpatan pensampelan sebagai fungsi θ dengan y tetap
Ia bukan kebarangkalian bahawa θ benar, dan mendarabnya dengan pemalar yang tidak bergantung pada θ tidak mengubah perbandingan likelihood
Proses pemerhatian, kebergantungan, penapisan, kos transaksi, dan mekanisme data hilang mesti berada dalam model sebelum anggaran bermula
Maximum Likelihood memilih satu titik
MLE θ̂ memaksimumkan L atau log L dan sering mempunyai konsistensi, normaliti asimptotik, serta kecekapan di bawah regulariti dan spesifikasi betul
Kelengkungan, likelihood profil, penganggar sandwich, atau kaedah bootstrap boleh mengukur ketidakpastian di sekitar anggaran titik
Parameter sempadan, pengenalpastian lemah, multimodaliti, sampel kecil, dan ekor berat boleh menjadikan ralat asimptotik standard tidak boleh dipercayai
Inferens Bayesian mengemas kini taburan
Peraturan Bayes memberikan p(θ|y)∝p(y|θ)p(θ), menggabungkan likelihood dengan prior yang mesti proper atau dibenarkan secara matematik
Ringkasan posterior boleh merangkumi min, median, sela kredibel, kebarangkalian ekor, dan taburan penuh kuantiti risiko terbitan
Posterior bersyarat pada model dan prior; ia bukan bukti tanpa syarat bahawa proses penjana data telah ditemui
MAP bukan keseluruhan jawapan Bayesian
Anggaran maximum a posteriori memaksimumkan log likelihood ditambah log prior dan boleh menyerupai pengoptimuman berpenalti
MAP berubah di bawah penyusunan semula tak linear kerana mod ketumpatan bergantung pada koordinat, manakala kebarangkalian posterior berubah secara koheren
Mengurangkan inferens Bayesian kepada satu titik MAP membuang ketidakpastian parameter dan boleh membuatnya kelihatan lebih serupa dengan MLE daripada keadaan sebenar
Prior dan penalti mengekod andaian
Prior boleh membawa pengetahuan terdahulu, regularisasi, atau pilihan skala yang substantif. Penalti frequentist boleh menghasilkan anggaran titik yang serupa tetapi tidak semestinya tafsiran ketidakpastian yang sama
Prior yang kuat boleh mendominasi sampel kecil; prior lemah tidak menghapuskan spesifikasi model atau masalah data
Nyatakan parameterisasi, prior, likelihood, dan keputusan yang sensitif kepada setiap pilihan
Kewangan memperbesar risiko model dan rejim
Pulangan, turun naik, korelasi, dan kecairan boleh bertukar rejim. Sampel sejarah yang panjang tidak menjadikan parameter semasa stabil
Uji sensitiviti kepada tingkap data, outlier, ketergantungan masa, kos, data survivor, dan perubahan mikrostruktur
Jika model digunakan untuk saiz atau margin, ketidakpastian parameter perlu mengalir kepada keputusan dan bukannya berhenti pada jadual anggaran
Ramalan ialah perbandingan paling adil
Bandingkan MLE, posterior penuh, MAP, dan regularisasi melalui ramalan luar sampel, scoring rule yang sesuai, kalibrasi, dan kos keputusan
Kelebihan in-sample boleh datang daripada overfit. Ketidakpastian posterior yang luas mungkin lebih berguna daripada titik yang kelihatan tepat tetapi tidak stabil
Soalan lazim
Apakah Maximum Likelihood Estimation?
Ia memilih parameter yang memaksimumkan likelihood atau log likelihood data yang diperhatikan di bawah model tertentu
Apakah yang ditambah oleh inferens Bayesian?
Ia menggabungkan likelihood dengan prior untuk menghasilkan posterior dan ukuran ketidakpastian serta ramalan yang berkaitan
Adakah anggaran MAP sama dengan MLE?
Tidak secara umum. MAP memaksimumkan likelihood ditambah prior, manakala MLE hanya menggunakan likelihood; ia boleh sama apabila prior seragam dalam parameterisasi tertentu
Adakah inferens Bayesian sentiasa lebih baik dengan data sedikit?
Tidak. Prior boleh membantu atau mendominasi, tetapi model, data, dan keputusan masih perlu diaudit serta diuji melalui ramalan dan sensitiviti
Sumber dan bacaan lanjut
Semakan pantas
Sudah membaca panduan? Uji diri dengan 3 soalan
Soalan 01
Pernyataan manakah paling sepadan dengan panduan ini — Kedua-dua kaedah bermula dengan model kebarangkalian?
Pilih jawapan untuk melihat penjelasan
Glosari opsyen
A call or put whose strike is near the underlying price; it has little intrinsic value and often substantial sensitivity to time and volatility.
Baca panduan terperinciCall optionA contract that gives its holder the right, but not the obligation, to buy the underlying at the strike before or at expiration under the contract terms.
Baca panduan terperinciPut optionA contract that gives its holder the right, but not the obligation, to sell the underlying at the strike before or at expiration under the contract terms.
Baca panduan terperinci