Maximum Likelihood เทียบกับ Bayesian Inference ในการเงิน

สำหรับข้อมูล y และพารามิเตอร์ θ, likelihood L(θ;y)=p(y|θ) มอง sampling density เป็นฟังก์ชันของ θ โดยตรึง y ไว้

มันไม่ใช่ความน่าจะเป็นที่ θ เป็นจริง และการคูณด้วยค่าคงที่ที่ไม่ขึ้นกับ θ ก็ไม่เปลี่ยนการเปรียบเทียบ likelihood

กระบวนการสังเกต dependence, censoring, ต้นทุนธุรกรรม และกลไกข้อมูลที่หายไปต้องอยู่ในโมเดลก่อนเริ่มการประมาณค่า

MLE θ̂ ทำให้ L หรือ log L มีค่าสูงสุด และมักมีคุณสมบัติ consistency, asymptotic normality และ efficiency เมื่อเป็นไปตาม regularity และ specification ที่ถูกต้อง

ความโค้ง profile likelihood, sandwich estimators หรือ bootstrap methods สามารถใช้หาปริมาณความไม่แน่นอนรอบค่าประมาณจุดเดียว

พารามิเตอร์ที่อยู่บนขอบเขต weak identification, multimodality, ตัวอย่างขนาดเล็ก และ heavy tails อาจทำให้ standard asymptotic errors ไม่น่าเชื่อถือ

กฎของ Bayes ให้ p(θ|y)∝p(y|θ)p(θ) โดยรวม likelihood เข้ากับ prior ที่ต้อง proper หรือมีเหตุผลทางคณิตศาสตร์รองรับในรูปแบบอื่น

สรุป posterior อาจรวม mean, median, credible interval, tail probability และ distribution เต็มรูปแบบของปริมาณความเสี่ยงที่คำนวณต่อยอด

posterior เป็นเงื่อนไขภายใต้โมเดลและ prior ไม่ใช่หลักฐานโดยไม่มีเงื่อนไขว่าพบกระบวนการสร้างข้อมูลแล้ว

ค่าประมาณ maximum a posteriori ทำให้ log likelihood บวก log prior มีค่าสูงสุด และอาจดูคล้ายการ optimize แบบมี penalty

MAP เปลี่ยนเมื่อ reparameterization แบบ nonlinear เพราะ mode ของ density ขึ้นกับพิกัด ขณะที่ posterior probabilities แปลงรูปได้อย่างสอดคล้อง

การลด Bayesian inference เหลือจุด MAP จุดเดียวทิ้งความไม่แน่นอนของพารามิเตอร์ และอาจทำให้ดูคล้าย MLE มากกว่าที่เป็นจริง

Priors ที่ให้ข้อมูลอย่างอ่อนสามารถ regularize พารามิเตอร์ที่ไม่เสถียร บังคับ scale ที่สมเหตุผล และป้องกันบริเวณที่เป็นไปไม่ได้

Frequentist penalization ให้ shrinkage เชิงตัวเลขที่คล้ายกันได้ โดยไม่ตีความ penalty เป็น probability distribution

ควรรายงานความไวต่อกลุ่ม prior, hyperparameters, constraints และ parameterization แทนที่จะซ่อนไว้หลังค่าเริ่มต้น

ประวัติข้อมูลสั้น วิกฤตที่เกิดไม่บ่อย volatility แฝง nonstationarity และ market microstructure ที่เปลี่ยนไปทำให้ข้อมูลเชิง asymptotic มีจำกัด

posterior อาจแคบแต่ผิดได้ หาก likelihood ที่แข็งตัวมอง structural break เป็นข้อสังเกตจำนวนมากที่ยืนยันสมมติฐาน

Rolling estimation, hierarchical pooling, state-space dynamics, robust likelihoods และ explicit break models แก้ปัญหาและตั้งสมมติฐานต่างกัน

ประเมิน predictive distributions บนช่วงอนาคตที่กันไว้จริง โดยใช้ log scores, calibration, coverage, tail losses และ decision utility

สำหรับ Bayesian models ให้ตรวจ prior และ posterior predictive behavior, convergence diagnostics, effective sample size และ sensitivity

สำหรับทุกวิธี ให้เปรียบเทียบ likelihood และ regime ทางเลือก เพราะ convergence ทางการคำนวณไม่ใช่การยืนยันทางสถิติ