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 AcademyRoadmapsSkills
Ctrl K
AO
+1,2 Tsd. Lernende
AnmeldenBeitreten ↗
RoadmapsSkills
AO
+1,2 Tsd. Lernende
Anmelden
  • English
  • Français
  • Español
  • العربية
  • Português
  • Deutsch
  • 日本語
  • 中文
AnmeldenBeitreten ↗
Anmelden
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 AcademyRoadmapsSkills
Ctrl K
AO
+1,2 Tsd. Lernende
AnmeldenBeitreten ↗
RoadmapsSkills
AO
+1,2 Tsd. Lernende
Anmelden
  • English
  • Français
  • Español
  • العربية
  • Português
  • Deutsch
  • 日本語
  • 中文
Hidden Markov Models-Skill›Modul 2 · Die Kernalgorithmen›Thema 2.1·~1 Std.Fortgeschritten

Der Forward-Algorithmus

Position in der SkillModul 2 von 3 · Thema 1 von 4
2.1 Der Forward-Algorithmus
—Lab-Punkte— / 100XP gesamt—Serie—

Lab: Was bewertet wird

  • Der erste Forward-Wert15 Pkt.
  • Die Summe von Tag eins10 Pkt.
  • Gefiltert nach zwei Tagen15 Pkt.
  • Die Wahrscheinlichkeit der Folge15 Pkt.
  • Die Log-Likelihood10 Pkt.
  • Was der Forward-Algorithmus spart10 Pkt.
  • Begriffe zuordnen10 Pkt.
  • Warum die Werte skaliert werden15 Pkt.

Wie wahrscheinlich ist, was wir gesehen haben?

Angenommen, wir sahen die Bewegungen Klein, Groß, Groß. Wie wahrscheinlich ist diese Folge in unserem Modell? Wir könnten jeden verborgenen Pfad auflisten (Ruhig-Ruhig-Ruhig, Ruhig-Ruhig-Stürmisch usw.), die Wahrscheinlichkeit jedes Pfades berechnen und addieren. Bei KKK Zuständen und TTT Tagen sind das KTK^{T}KT Pfade, viel zu viele. Der Forward-Algorithmus bildet dieselbe Summe in T⋅K2T\cdot K^{2}T⋅K2 Schritten, indem er Arbeit wiederverwendet. Er hält eine Zahl αt(j)\alpha_t(j)αt​(j): die Wahrscheinlichkeit der ersten ttt Beobachtungen und des Zustands jjj an Tag ttt.

α1(j)=πjBj(o1),αt(j)=[∑iαt−1(i)Aij]Bj(ot),P(o1,…,oT)=∑jαT(j)\alpha_1(j)=\pi_jB_j(o_1),\qquad \alpha_t(j)=\Big[\sum_i\alpha_{t-1}(i)A_{ij}\Big]B_j(o_t),\qquad P(o_1,\dots,o_T)=\sum_j\alpha_T(j)α1​(j)=πj​Bj​(o1​),αt​(j)=[i∑​αt−1​(i)Aij​]Bj​(ot​),P(o1​,…,oT​)=j∑​αT​(j)(1)

Lesen Sie die Rekursion in Worten: Um heute im Zustand jjj zu sein, kam man gestern aus einem Zustand iii (Summe über iii mit der Übergangswahrscheinlichkeit), und dann erzeugte der heutige Zustand die heutige Beobachtung. Teilt man αt\alpha_tαt​ durch seine Summe, erhält man die gefilterten Wahrscheinlichkeiten, Ihre Überzeugung über den heutigen Zustand bei Daten bis heute. Ein praktisches Problem: Das Multiplizieren vieler kleiner Zahlen lässt sie gegen null schrumpfen. Daher teilt man in jedem Schritt durch die Summe ctc_tct​ und merkt sie sich. Der Log der Datenwahrscheinlichkeit ist dann einfach die Summe der ln⁡ct\ln c_tlnct​.

Klein, Groß, GroßTag 1: α1=(0,6⋅0,9, 0,4⋅0,3)=(0,54, 0,12)\alpha_1=(0{,}6\cdot0{,}9,\ 0{,}4\cdot0{,}3)=(0{,}54,\ 0{,}12)α1​=(0,6⋅0,9, 0,4⋅0,3)=(0,54, 0,12), Summe c1=0,66c_1=0{,}66c1​=0,66. Tag 2 (eine große Bewegung): Ruhig erhält (0,54⋅0,9+0,12⋅0,2)⋅0,1=0,051(0{,}54\cdot0{,}9+0{,}12\cdot0{,}2)\cdot0{,}1=0{,}051(0,54⋅0,9+0,12⋅0,2)⋅0,1=0,051 und Stürmisch (0,54⋅0,1+0,12⋅0,8)⋅0,7=0,105(0{,}54\cdot0{,}1+0{,}12\cdot0{,}8)\cdot0{,}7=0{,}105(0,54⋅0,1+0,12⋅0,8)⋅0,7=0,105, Summe 0,1560{,}1560,156, die gefilterte Wahrscheinlichkeit für Stürmisch ist also 0,105/0,156=0,6730{,}105/0{,}156=0{,}6730,105/0,156=0,673. Tag 3 ergibt α3=(0,00669, 0,06237)\alpha_3=(0{,}00669,\ 0{,}06237)α3​=(0,00669, 0,06237). Die Wahrscheinlichkeit der ganzen Folge ist 0,00669+0,06237=0,06910{,}00669+0{,}06237=0{,}06910,00669+0,06237=0,0691, ihr Log −2,673-2{,}673−2,673.
  • Forward-Algorithmus: Summe über alle verborgenen Pfade in T⋅K2T\cdot K^{2}T⋅K2 statt KTK^{T}KT Schritten.
  • Gefilterte Wahrscheinlichkeiten: αt\alpha_tαt​ normieren, um die Überzeugung über den heutigen Zustand aus Daten bis heute zu erhalten.
  • Skalierung: in jedem Schritt durch ctc_tct​ teilen und die ln⁡ct\ln c_tlnct​ addieren, um Unterlauf zu vermeiden.
0/ 8 beantwortet
Aufgaben
1Numerische Antwort15 Pkt.Nicht beantwortet

Tag 1 zeigt eine kleine Bewegung. Wie groß ist α1(R)=πR BR(k)\alpha_1(R)=\pi_R\,B_R(k)α1​(R)=πR​BR​(k) mit πR=0,6\pi_R=0{,}6πR​=0,6 und BR(k)=0,9B_R(k)=0{,}9BR​(k)=0,9?

a=a =a=akzeptiert: ± 0.005
2Numerische Antwort10 Pkt.Nicht beantwortet

Wie groß ist mit α1=(0,54, 0,12)\alpha_1=(0{,}54,\ 0{,}12)α1​=(0,54, 0,12) die Summe c1c_1c1​, die Wahrscheinlichkeit der ersten Beobachtung?

c=c =c=akzeptiert: ± 0.005
3Numerische Antwort15 Pkt.Nicht beantwortet

Nach den Beobachtungen Klein und Groß ist α2=(0,051, 0,105)\alpha_2=(0{,}051,\ 0{,}105)α2​=(0,051, 0,105). Wie groß ist die gefilterte Wahrscheinlichkeit des stürmischen Zustands, 0,105/(0,051+0,105)0{,}105/(0{,}051+0{,}105)0,105/(0,051+0,105)? Geben Sie drei Dezimalstellen an.

p=p =p=akzeptiert: ± 0.003
4Numerische Antwort15 Pkt.Nicht beantwortet

An Tag 3 ist α3=(0,00669, 0,06237)\alpha_3=(0{,}00669,\ 0{,}06237)α3​=(0,00669, 0,06237). Wie groß ist die Wahrscheinlichkeit der ganzen Folge Klein, Groß, Groß, die Summe von α3\alpha_3α3​? Geben Sie vier Dezimalstellen an.

p=p =p=akzeptiert: ± 0.0003
5Numerische Antwort10 Pkt.Nicht beantwortet

Wie groß ist der natürliche Logarithmus der Wahrscheinlichkeit 0,06910{,}06910,0691 der Folge? Geben Sie zwei Dezimalstellen an.

l=l =l=akzeptiert: ± 0.02
6Auswahl10 Pkt.Nicht beantwortet

Was erlaubt uns der Forward-Algorithmus zu vermeiden?

7Zuordnen10 Pkt.Nicht beantwortet

Ordnen Sie jedem Begriff seine Bedeutung zu.

Wähle den Partner für jedes Element links.

αt(j)\alpha_t(j)αt​(j)
Gefilterte Wahrscheinlichkeit
ctc_tct​
∑jαT(j)\sum_j\alpha_T(j)∑j​αT​(j)
8In Worten erklären15 Pkt.Nicht beantwortet

Erklären Sie in ein bis zwei Sätzen, warum eine echte Implementierung des Forward-Algorithmus in jedem Schritt durch ctc_tct​ teilt.

Mathe-ModusEingabe per Tastatur oder LaTeXAufgabe 1 von 8 · Strg ⏎ zum Prüfen

Melde dich an, um deinen Code auszuführen.

Alle Lektionen kannst du kostenlos lesen. Erstelle ein Konto oder melde dich an, um Code auszuführen, Tests zu starten und dieses Lab abzugeben.

  • IDE im Browser mit Bash-Terminal — nichts zu installieren
  • Sofortige Bewertung, XP und dein Platz auf der Skill
Konto erstellenAnmelden
ODER
Weiter mit GitHub