σμimplied vol · KKmax(S−K,0)udβρᵢⱼfat tailsPnL · drawdownyield · TdSₜ = μSₜ dt + σSₜ dWₜC = S·N(d₁) − K·e⁻ʳᵀ·N(d₂)σₚ² = wᵀΣwd₁ = [ln(S/K) + (r + σ²⁄2)T] ⁄ σ√T∂V/∂t + ½σ²S²·∂²V/∂S² + rS·∂V/∂S − rV = 0Sharpe = (Rₚ − R_f) ⁄ σₚVaR₉₉ = μ − 2.33σρ = Cov(X,Y) ⁄ σₓσᵧE[Rₚ] = Σ wᵢ·E[Rᵢ]φ(x) = e^(−x²/2) ⁄ √2πE[Rᵢ] = R_f + βᵢ(E[Rₘ] − R_f)dXₜ = θ(μ − Xₜ)dt + σ dWₜσ²ₜ = ω + α·ε²ₜ₋₁ + β·σ²ₜ₋₁C − P = S − K·e⁻ʳᵀΔ = ∂V/∂S Γ = ∂²V/∂S²p = (e^(rΔt) − d) ⁄ (u − d)rₜ = ln(Pₜ ⁄ Pₜ₋₁)E[Xₜ₊₁ | ℱₜ] = Xₜf* = (bp − q) ⁄ bz = (x − μ) ⁄ σP(N=k) = λᵏe^(−λ) ⁄ k!Θ = −∂V/∂Tν = S·φ(d₁)·√Tmin wᵀΣw s.t. wᵀμ = μ*∫Σ∂∞λ
uantCraft Academyخرائط الطريقالمسارات
Ctrl K
AO
+1.2k متعلّم
تسجيل الدخولانضم ↗
خرائط الطريقالمسارات
AO
+1.2k متعلّم
تسجيل الدخول
  • English
  • Français
  • Español
  • العربية
  • Português
  • Deutsch
  • 日本語
  • 中文
σμimplied vol · KKmax(S−K,0)udβρᵢⱼfat tailsPnL · drawdownyield · TdSₜ = μSₜ dt + σSₜ dWₜC = S·N(d₁) − K·e⁻ʳᵀ·N(d₂)σₚ² = wᵀΣwd₁ = [ln(S/K) + (r + σ²⁄2)T] ⁄ σ√T∂V/∂t + ½σ²S²·∂²V/∂S² + rS·∂V/∂S − rV = 0Sharpe = (Rₚ − R_f) ⁄ σₚVaR₉₉ = μ − 2.33σρ = Cov(X,Y) ⁄ σₓσᵧE[Rₚ] = Σ wᵢ·E[Rᵢ]φ(x) = e^(−x²/2) ⁄ √2πE[Rᵢ] = R_f + βᵢ(E[Rₘ] − R_f)dXₜ = θ(μ − Xₜ)dt + σ dWₜσ²ₜ = ω + α·ε²ₜ₋₁ + β·σ²ₜ₋₁C − P = S − K·e⁻ʳᵀΔ = ∂V/∂S Γ = ∂²V/∂S²p = (e^(rΔt) − d) ⁄ (u − d)rₜ = ln(Pₜ ⁄ Pₜ₋₁)E[Xₜ₊₁ | ℱₜ] = Xₜf* = (bp − q) ⁄ bz = (x − μ) ⁄ σP(N=k) = λᵏe^(−λ) ⁄ k!Θ = −∂V/∂Tν = S·φ(d₁)·√Tmin wᵀΣw s.t. wᵀμ = μ*∫Σ∂∞λ
uantCraft Academyخرائط الطريقالمسارات
Ctrl K
AO
+1.2k متعلّم
تسجيل الدخولانضم ↗
خرائط الطريقالمسارات
AO
+1.2k متعلّم
تسجيل الدخول
  • English
  • Français
  • Español
  • العربية
  • Português
  • Deutsch
  • 日本語
  • 中文
مسار Bayesian Inference›الوحدة 1 · المعتقدات والأدلة›الموضوع 1.4·~1 سمتوسط

الانحدار الخطي البيزي

الموضع في المسارالوحدة 1 من 3 · الموضوع 4 من 4
1.4 الانحدار الخطي البيزي
—درجة المختبر— / 100إجمالي XP—التتابع—

انحدار بعدم يقين صادق

الانحدار العادي يعطي ميلًا واحدًا، أما الانحدار البيزي فيعطي توزيعًا كاملًا للميل. خذ عائد سهم yyy وعائد السوق xxx مع y=βx+ey=\beta x+ey=βx+e حيث للضجيج eee تباين σ2\sigma^{2}σ2. ابدأ بتوزيع مسبق لبيتا، مثلًا طبيعي متمركز عند m0=1m_0=1m0​=1 وتباينه v0v_0v0​. تدفع البيانات الميل نحو قيمة المربعات الصغرى ويعيده المسبق إلى الوراء. وهذا هو المتوسط المرجح بالدقة نفسه في الموضوعات السابقة. فدقة المسبق 1/v01/v_01/v0​ ودقة البيانات ∑x2/σ2\sum x^{2}/\sigma^{2}∑x2/σ2 وهذه الأخيرة كبيرة حين يتحرك السوق كثيرًا.

Pn=1v0+∑x2σ2,mn=m0/v0+∑xy/σ2Pn,sd(β)=1PnP_n=\frac{1}{v_0}+\frac{\sum x^{2}}{\sigma^{2}},\qquad m_n=\frac{m_0/v_0+\sum xy/\sigma^{2}}{P_n},\qquad \mathrm{sd}(\beta)=\frac{1}{\sqrt{P_n}}Pn​=v0​1​+σ2∑x2​,mn​=Pn​m0​/v0​+∑xy/σ2​,sd(β)=Pn​​1​(1)

هناك أمران جديران بالملاحظة. الأول أن المسبق المتمركز عند 000 يعطي بالضبط انحدار ridge: الميل هو ∑xy / (∑x2+λ)\sum xy\,/\,(\sum x^{2}+\lambda)∑xy/(∑x2+λ) مع λ=σ2/v0\lambda=\sigma^{2}/v_0λ=σ2/v0​. فانحدار ridge هو انحدار بيزي مسبقه لا يثق بالميول الكبيرة. والثاني أن للتنبؤ عند x∗x^{*}x∗ جديد مصدرين للانتشار: الضجيج σ2\sigma^{2}σ2 وعدم اليقين في الميل الذي يضيف x∗2/Pnx^{*2}/P_nx∗2/Pn​. والجزء الثاني ينمو مع مربع x∗x^{*}x∗ فتكون التنبؤات البعيدة عن البيانات أقل يقينًا.

بيتا بالأرقاملنفترض ∑x2=40\sum x^{2}=40∑x2=40 و∑xy=48\sum xy=48∑xy=48 وσ2=4\sigma^{2}=4σ2=4. ميل المربعات الصغرى 48/40=1.248/40=1.248/40=1.2. ومع المسبق N(1, 0.52)N(1,\,0.5^{2})N(1,0.52) أي v0=0.25v_0=0.25v0​=0.25: الدقة 4+40/4=144+40/4=144+40/4=14 والمتوسط (4+12)/14=1.143(4+12)/14=1.143(4+12)/14=1.143 والانحراف المعياري 1/14=0.2671/\sqrt{14}=0.2671/14​=0.267. ومع مسبق ridge متمركز عند 000 يكون الميل 48/(40+16)=0.85748/(40+16)=0.85748/(40+16)=0.857. والتنبؤ عند x∗=2x^{*}=2x∗=2 متوسطه 2.292.292.29 وانحرافه المعياري 4+4/14=2.07\sqrt{4+4/14}=2.074+4/14​=2.07.
  • الميل البيزي: توزيع دقته هي دقة المسبق زائد دقة البيانات.
  • انحدار ridge هو حالة مسبق متمركز عند 000 مع λ=σ2/v0\lambda=\sigma^{2}/v_0λ=σ2/v0​.
  • التنبؤات تحمل الضجيج مع عدم اليقين في الميل والثاني ينمو مع x∗2x^{*2}x∗2.

المختبر: ما الذي يُقيَّم

  • الدقة اللاحقة15 نقطة
  • الميل اللاحق15 نقطة
  • عدم اليقين في الميل10 نقطة
  • ميل ridge15 نقطة
  • انتشار تنبؤ10 نقطة
  • مسبق شديد الثقة10 نقطة
  • طابق المصطلحات10 نقطة
  • بعيدًا عن البيانات15 نقطة
0/ 8 تمت الإجابة
المهام
1إجابة رقمية15 نقطةبلا إجابة

مع ∑x2=40\sum x^{2}=40∑x2=40 وσ2=4\sigma^{2}=4σ2=4 وتباين مسبق v0=0.25v_0=0.25v0​=0.25 ما الدقة اللاحقة 1/v0+∑x2/σ21/v_0+\sum x^{2}/\sigma^{2}1/v0​+∑x2/σ2؟

p=p =p=المقبول: ± 0.01
2إجابة رقمية15 نقطةبلا إجابة

أضف الآن المتوسط المسبق m0=1m_0=1m0​=1 و∑xy=48\sum xy=48∑xy=48. ما المتوسط اللاحق (m0/v0+∑xy/σ2)/14\big(m_0/v_0+\sum xy/\sigma^{2}\big)/14(m0​/v0​+∑xy/σ2)/14؟ أعطه بأربع خانات عشرية.

m=m =m=المقبول: ± 0.001
3إجابة رقمية10 نقطةبلا إجابة

ما الانحراف المعياري اللاحق للميل 1/141/\sqrt{14}1/14​؟ أعطه بأربع خانات عشرية.

s=s =s=المقبول: ± 0.001
4إجابة رقمية15 نقطةبلا إجابة

استعمل مسبقًا متمركزًا عند 000 مع v0=0.25v_0=0.25v0​=0.25 وσ2=4\sigma^{2}=4σ2=4 أي λ=σ2/v0=16\lambda=\sigma^{2}/v_0=16λ=σ2/v0​=16. ما ميل ridge أي ∑xy / (∑x2+λ)\sum xy\,/\,(\sum x^{2}+\lambda)∑xy/(∑x2+λ) مع ∑xy=48\sum xy=48∑xy=48 و∑x2=40\sum x^{2}=40∑x2=40؟ أعطه بأربع خانات عشرية.

r=r =r=المقبول: ± 0.001
5إجابة رقمية10 نقطةبلا إجابة

عند x∗=2x^{*}=2x∗=2 جديد يكون الانحراف المعياري التنبؤي σ2+x∗2/14\sqrt{\sigma^{2}+x^{*2}/14}σ2+x∗2/14​ مع σ2=4\sigma^{2}=4σ2=4. ما قيمته؟ أعطه بثلاث خانات عشرية.

p=p =p=المقبول: ± 0.01
6اختيار10 نقطةبلا إجابة

ماذا يحدث للميل اللاحق إذا صار التباين المسبق v0v_0v0​ صغيرًا جدًا؟

7مطابقة10 نقطةبلا إجابة

طابق كل مصطلح بمعناه.

اختر مقابل كل عنصر في اليسار.

ميل المربعات الصغرى
انحدار ridge
الدقة اللاحقة
التباين التنبؤي
8اشرح بكلماتك15 نقطةبلا إجابة

في جملة أو جملتين اشرح لماذا يعطي الانحدار البيزي مدى تنبؤ أوسع لقيم xxx البعيدة عن البيانات.

وضع الرياضياتإدخال بلوحة المفاتيح أو LaTeXالمهمة 1 من 8 · Ctrl ⏎ للتحقق

سجّل الدخول لتشغيل الكود الخاص بك.

قراءة كل المحاضرات مجانية. أنشئ حسابًا أو سجّل الدخول لتشغيل الكود وتنفيذ الاختبارات وتسليم هذا المختبر.

  • بيئة تطوير داخل المتصفح مع طرفية bash — لا حاجة لتثبيت أي شيء
  • تصحيح فوري ونقاط خبرة ومكانك في المسار
إنشاء حسابتسجيل الدخول
أو
المتابعة عبر GitHub