Nadir Olaylar ve Opsiyonlar için Importance Sampling
Olabilirlik oranı yeniden ağırlıklandırmasının beklentileri nasıl koruduğunu, üstel eğmenin nadir olay varyansını nasıl azalttığını ve ağırlık dejenerasyonunun opsiyon simülasyonunu nasıl bozabileceğini öğrenin
Doğrudan yanıt
Importance sampling, önemli nadir sonuçları daha sık ziyaret eden bir öneri ölçüsü altında simülasyon yapar ve ardından olabilirlik oranıyla özgün beklentiyi geri getirir. İyi seçilmiş bir öneri varyansı ciddi biçimde azaltabilir; kötü bir öneri ise kararsız veya sonsuz-varyanslı ağırlıklar yaratabilir
Ölçü değişimi hedefi korur
Hedef ölçü P, öneri Q ve h ödeme için Radon–Nikodym türevi geçerliyse E_P[h(X)]=E_Q[h(X)dP/dQ(X)] olur
Monte Carlo tahmincisi, Q’dan çekilen X_i örnekleri için h(X_i)w(X_i) ortalamasını alır ve w=dP/dQ’dur
Kesin ağırlıklandırma sıradan tahminciyi yansız tutar; ağırlık olmadan örnekleme yasasını değiştirmek tahmin edilen niceliği değiştirir
Öneri katkıyı olağan hale getirmelidir
Derin zarar-dışı bir ödeme veya temerrüt olayı neredeyse her zaman sıfırken kaba simülasyon yolları boşa harcar
Yararlı bir Q, olasılığı |h|’nin büyük olduğu durumlara taşırken ağırlıklandırılmış katkıyı makul ölçüde dengeli tutar
Negatif olmayan bir integrand için erişilemez sıfır-varyanslı öneri h(x)p(x) ile orantılıdır; çünkü bilinmeyen beklentinin kendisini gerektirir
Üstel eğme nadir olay geometrisini kullanır
Üstel eğme sonuçları exp(θX) ile yeniden ağırlıklandırır ve moment üreten fonksiyonla normalize eder
Büyük sapma veya saddlepoint analizi, nadir hedefin Q altında tipik hale gelmesini sağlayan θ’yı seçebilir
Yollar, bariyerler, çoklu kayıp biçimleri veya ağır kuyruklar için tek bir eğim başarısız olabilir; duruma bağlı, uyarlamalı veya karışım önerileri gerekebilir
Finans çok sayıda seyrek ödeme problemi sunar
Importance sampling derin kullanım fiyatlı opsiyonları, bariyerleri, kredi kayıplarını, maruziyet kuyruklarını ve bazı olabilirlik oranı Yunanlı tahminlerini hızlandırabilir
Her sürüklenme veya şok değişimine yalnızca vade sonu yoğunluğu düzeltmesi değil, doğru tam-yol olabilirlik oranı eşlik etmelidir
İskonto, risksiz dinamikler, ayrıklaştırma, erken durdurma ve yola bağlı izleme özgün fiyatlama hedefiyle uyumlu olmalıdır
Ağırlık dejenerasyonu kazanımı silebilir
Q, h’nin önemli olduğu bölgeye çok az olasılık verirse birkaç dev ağırlık tahmine hakim olabilir
Ortalama var olabilirken E_Q[(hw)²] sonsuz olabilir; bu durumda olağan varyans ve merkezi limit güven aralığı geçerli değildir
Log ağırlıklar sayısal alt taşmayı önler; ancak eksik desteği, sonsuz varyansı veya başka bir önemli modu kaçıran öneriyi düzeltmez
Tanılamalar ortaya çıkarır ama kanıtlamaz
Ağırlık histogramlarını, en büyük payı, varyasyon katsayısını, etkin örneklem büyüklüğünü ve durum veya yol kümelerine göre katkıları izleyin
Normalize edici sabit bilinmiyorsa kendini normalize eden ağırlıklar yardımcı olabilir; ancak oran tahmincisi sonlu örneklemlerde genellikle yanlıdır
Yüksek etkin örneklem büyüklüğü tek başına doğruluk kanıtı değildir; öneri ilgili bölgeyi hiç keşfetmemiş olabilir
Doğrulama eşit hesaplama bütçelerini karşılaştırır
Kaba ve importance-sampled tahmincileri bağımsız tekrarlamalar, aynı ayrıklaştırma ve karşılaştırılabilir toplam maliyetle çalıştırın
Örneklem varyansını, güven aralığı kapsamını, yanlılığı, nadir bölge kapsamını, öneri duyarlılığını ve olay nadirleştikçe kararlılığı kontrol edin
Mümkünse analitik veya dönüşüm referansları kullanın ve geniş desteği koruyan savunmacı bir karışım bileşeni bulundurun
Sık sorulan sorular
Importance sampling nedir?
Özgün hedef beklentiyi korumak için olabilirlik oranlarıyla düzeltilen farklı bir örnekleme ölçüsü altında Monte Carlo yöntemidir
Nadir olaylar için neden kullanışlıdır?
Kaba simülasyonda nadir katkıları beklemek yerine ödeme veya kayıp bölgesinde daha fazla yol üretir
Importance-sampling tahmincisi her zaman yansız mıdır?
Olağan kesin ağırlıklı tahminci, destek ve integrallenebilirlik koşulları altında yansızdır; kendini normalize eden sürümler sonlu örneklemde genellikle yansız değildir
Ağırlık dejenerasyonu nedir?
Birkaç uç ağırlığın tahmini değerin neredeyse tamamını taşıdığı, varyansı kırılgan ve etkin bilgiyi zayıf hale getiren durumdur