Büyük Sayılar Yasası ve Merkezi Limit Teoremi
Zayıf ve güçlü yasalar, ölçekleme, bağımlılık, ergodiklik ve finansal yorum dahil olmak üzere örneklem ortalamalarının yakınsamasını dalgalanmalarının dağılımıyla karşılaştırın
Doğrudan yanıt
Büyük Sayılar Yasası, uygun koşullar altında bir örneklem ortalamasının anakütle ortalamasına yaklaştığını söyler. Merkezi Limit Teoremi, bu limit çevresindeki ölçeklenmiş rassal hatayı tanımlar ve çoğu zaman normal bir yaklaşım verir. BBS ortalamanın nereye gittiğini, MLT ise oraya giderken nasıl dalgalandığını gösterir
Teoremler farklı soruları yanıtlar
Ortalaması μ olan X_1,…,X_n gözlemleri için örneklem ortalaması X̄_n=n^(−1)Σ_iX_i şeklindedir
BBS, n büyüdükçe X̄_n'nin μ'ye yaklaşıp yaklaşmadığını sorar; MLT ise √n(X̄_n−μ) gibi ölçeklenmiş bir farkın limit dağılımını sorar
Doğru değere yakınsama tek başına hata oranı, biçim, güven aralığı veya yararlı bir sonlu örneklem yaklaşımı sağlamaz
Zayıf yasa olasılıkta yakınsamayı kullanır
Zayıf BBS, belirtilen koşullar altında her ε>0 için P(|X̄_n−μ|>ε)→0 olduğunu söyler
Bu, sabit büyüklükteki bir hatanın olasılığının yok olduğunu söyler; her gerçekleşmiş yolun sonsuza kadar yakın kalacağını değil
Bağımsız ve özdeş dağılmış gözlemlerde sonlu beklenen değer geniş bir zayıf yasa için yeterlidir; basit varyans kanıtları çoğu zaman sonlu varyans varsayar
Güçlü yasa yol bazında bir ifadedir
Güçlü BBS, X̄_n→μ'nin neredeyse kesin olduğunu, yani sıfır olasılıklı tek bir kümenin dışındaki tüm sonuçlarda yakınsamanın gerçekleştiğini söyler
Neredeyse kesin yakınsama olasılıkta yakınsamayı gerektirir; ancak ek yapı olmadan tersi doğru değildir
Güçlü yasa yine asimptotiktir ve belirli bir karar toleransı için n'nin ne kadar büyük olması gerektiğini söylemez
MLT geriye kalan hatayı büyütür
Sonlu ve pozitif σ² varyanslı bağımsız ve özdeş değişkenler için √n(X̄_n−μ)/σ, dağılımda N(0,1)'e yakınsar
√n çarpanı küçülen hatanın sıfıra çökmesini önler ve dejenere olmayan limit biçimini görünür kılar
Klasik MLT başarısız olsa bile BBS geçerli olabilir; buna ortalamanın var olduğu fakat varyansın bulunmadığı ağır kuyruklu durumlar dahildir
Bağımlılık uzun bir geçmişten fazlasını gerektirir
Durağan ergodik süreçler bir BBS'yi sağlayabilir; MLT ise ayrıca bağımlılığın ve dalgalanmaların yeterince kontrol edilmesini gerektirir
Finansal zaman serileri ortalamayı, varyansı, maruziyeti, likiditeyi ve rejimi değiştirebilir; bu nedenle tek bir uzun kayıt, tek bir yasadan tekrarlanan çekilişler gibi davranmayabilir
Aynı kriz kümesinden veya eskimiş bir rejimden gelen daha fazla gözlem, satır sayısının düşündürdüğünden daha az etkin bilgi ekleyebilir
Çeşitlendirme ilişkili ama ayrı bir mantık kullanır
Yeterince zayıf bağımlı birçok pozisyonda ortalama özgül şokun istikrar kazanması, BBS'ye benzer bir etkiyi yansıtır
Ortak faktörler, kuyruk bağımlılığı, yoğunlaşmış ağırlıklar ve korelasyonlu temerrütler portföyde çok sayıda isim bulunmasıyla kendiliğinden yok olmaz
Aynı şekilde, fırsat kümesi değişirken uzun dönemli ortalama getirinin kalıcı bir beklenen getiriyi ortaya koyacağı garanti değildir
Pratik çıkarım her iki teşhise ihtiyaç duyar
Hareketli ortalamaları ve alt örneklem tahminlerini çizin; ardından bağımlılığı, yapısal kırılmaları, kuyruk momentlerini ve etkin örneklem büyüklüğünü inceleyin
Ortalamanın yakınsamasını belirsizlik tahmini saymak yerine, ilgili MLT veya yeniden örnekleme şemasıyla gerekçelendirilmiş bir standart hata kullanın
Her iki teoreme başvurmadan önce tahmin edilen niceliği, yakınsama varsayımlarını, ufku, hata bantlarını ve pencere ya da rejim duyarlılığını raporlayın
Sık sorulan sorular
BBS ile MLT arasındaki temel fark nedir?
BBS, bir ortalamanın hedefe yakınsamasını ele alır; MLT ise bu hedef çevresindeki sapmaların ölçeklenmiş dağılımını ele alır
Büyük Sayılar Yasası normal veri gerektirir mi?
Hayır. Moment ve bağımlılık koşulları sağlandığında normal dağılımların çok ötesinde uygulanabilir
MLT başarısızken BBS geçerli olabilir mi?
Evet. Sonlu bir ortalama, sonsuz varyans klasik normal MLT'yi engellese bile ortalama yakınsamasına izin verebilir
Daha fazla finansal veri tahmini her zaman güvenilir kılar mı?
Hayır. Bağımlılık, rejim değişimi, veri kalitesi ve istikrarsız bir hedef, etkin bilgiyi gözlem sayısından çok daha küçük tutabilir