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
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
Particle filtering and non-stationary time series-Skill›Modul 2 · Partikelfilter›Thema 2.3·~55 Min.Fortgeschritten

Resampling-Verfahren und Degeneration

Position in der SkillModul 2 von 3 · Thema 3 von 5
2.3 Resampling-Verfahren und Degeneration
—Lab-Punkte— / 100XP gesamt—Serie—

Wenn die Gewichte kollabieren

Gewichte multiplizieren sich von Tag zu Tag. Ein Partikel, das ein paar Beobachtungen schlecht erklärt, bekommt ein winziges Gewicht, und winzige Gewichte erholen sich nie. Nach genug Tagen trägt ein Partikel fast das ganze Gewicht, und der Rest ist vergeudete Arbeit. Das ist die Gewichtsdegeneration, die die effektive Stichprobengröße 1/∑w~21/\sum\tilde w^{2}1/∑w~2 misst. Beim SPY mit 100010001000 Partikeln und ohne Resampling beträgt sie 960960960 nach dem ersten Tag, 368368368 nach zehn, 525252 nach fünfzig und etwa 1,31{,}31,3 nach 250250250 Tagen. Ein auf ein Partikel zusammengebrochener Filter ist eine einzige Vermutung, keine Wolke.

ESS=1∑iw~i2,ESS<N2,u+iN,  i=0,…,N−1\mathrm{ESS}=\frac{1}{\sum_i\tilde w_i^{2}},\qquad \mathrm{ESS}<\frac N2,\qquad \frac{u+i}{N},\ \ i=0,\dots,N-1ESS=∑i​w~i2​1​,ESS<2N​,Nu+i​,  i=0,…,N−1(1)

Resampling heilt die Degeneration: Man zieht eine neue Wolke aus NNN Partikeln, in der ein Partikel mit Gewicht w~i\tilde w_iw~i​ erwartungsgemäß Nw~iN\tilde w_iNw~i​-mal vorkommt, und gibt jeder Kopie dasselbe Gewicht 1/N1/N1/N. Für das Ziehen gibt es mehrere Wege. Multinomial zieht NNN unabhängige Gleichverteilte. Systematisch zieht eine einzige Gleichverteilte uuu und nutzt NNN gleich verteilte Zeiger (u+i)/N(u+i)/N(u+i)/N auf den kumulierten Gewichten. Stratifiziert zieht je eine in jedem der NNN gleichen Abschnitte. Residual gibt zuerst jedem Partikel seine ganzen Kopien, ⌊Nw~i⌋\lfloor N\tilde w_i\rfloor⌊Nw~i​⌋, und zieht nur den Rest. Systematisch ist am billigsten und am gebräuchlichsten.

Systematisches Resampling von HandNehmen wir vier Partikel bei −1,0,1,2-1,0,1,2−1,0,1,2 mit den Gewichten 0,058, 0,258, 0,426, 0,2580{,}058,\ 0{,}258,\ 0{,}426,\ 0{,}2580,058, 0,258, 0,426, 0,258. Die kumulierten Gewichte sind 0,058, 0,316, 0,742, 10{,}058,\ 0{,}316,\ 0{,}742,\ 10,058, 0,316, 0,742, 1. Wir ziehen u=0,3u=0{,}3u=0,3. Die Zeiger sind (0,3+i)/4=0,075, 0,325, 0,575, 0,825(0{,}3+i)/4=0{,}075,\ 0{,}325,\ 0{,}575,\ 0{,}825(0,3+i)/4=0,075, 0,325, 0,575, 0,825. Zeiger 0,0750{,}0750,075 fällt ins zweite Fach, 0,3250{,}3250,325 und 0,5750{,}5750,575 ins dritte, 0,8250{,}8250,825 ins vierte. Die neue Wolke ist 0,1,1,20,1,1,20,1,1,2: Das Partikel bei −1-1−1 ist weg, das schwere bei 111 wurde zweimal kopiert, nah an den erwarteten 4×0,426=1,74\times0{,}426=1{,}74×0,426=1,7 Kopien. Gefahrenfall: Bei den Gewichten 0,97, 0,01, 0,01, 0,010{,}97,\ 0{,}01,\ 0{,}01,\ 0{,}010,97, 0,01, 0,01, 0,01 ist die effektive Stichprobengröße 1,061{,}061,06, und jede Zeigermenge wählt nur das erste Partikel, die Wolke schrumpft auf einen einzigen Wert.
  • Neu ziehen, wenn die ESS niedrig ist: übliche Regel ESS<N/2\mathrm{ESS}<N/2ESS<N/2. Jeden Tag neu zu ziehen verschwendet Vielfalt.
  • Systematisch nutzt eine einzige Zufallszahl: Zeiger (u+i)/N(u+i)/N(u+i)/N auf den kumulierten Gewichten liefern eine billige, rauscharme Ziehung.
  • Der Preis ist die Verarmung: Viele Kopien weniger Partikel lassen die Wolke wenig vielfältig zurück, was der nächste Propagationsschritt wieder aufbauen muss.

Lab: Was bewertet wird

  • Erwartete Kopien15 Pkt.
  • Ein systematischer Zeiger10 Pkt.
  • Kollabierte Gewichte15 Pkt.
  • Verschiedene Überlebende10 Pkt.
  • Sollen wir heute neu ziehen10 Pkt.
  • Systematisches Resampling10 Pkt.
  • Verfahren zuordnen15 Pkt.
  • Warum überhaupt neu ziehen15 Pkt.
0/ 8 beantwortet
Aufgaben
1Numerische Antwort15 Pkt.Nicht beantwortet

Bei N=4N=4N=4 Partikeln erscheint ein Partikel mit dem normierten Gewicht 0,4260{,}4260,426 nach dem Neuziehen erwartungsgemäß Nw~N\tilde wNw~-mal. Wie groß ist diese Zahl? Geben Sie zwei Dezimalstellen an.

n=n =n=akzeptiert: ± 0.02
2Numerische Antwort10 Pkt.Nicht beantwortet

Systematisches Resampling mit N=4N=4N=4 und u=0,3u=0{,}3u=0,3 nutzt die Zeiger (u+i)/N(u+i)/N(u+i)/N. Wie groß ist der zweite Zeiger, i=1i=1i=1? Geben Sie drei Dezimalstellen an.

p=p =p=akzeptiert: ± 0.001
3Numerische Antwort15 Pkt.Nicht beantwortet

Die normierten Gewichte sind 0,97, 0,01, 0,01, 0,010{,}97,\ 0{,}01,\ 0{,}01,\ 0{,}010,97, 0,01, 0,01, 0,01. Wie groß ist die effektive Stichprobengröße 1/∑w~21/\sum\tilde w^{2}1/∑w~2? Geben Sie zwei Dezimalstellen an.

ess=ess =ess=akzeptiert: ± 0.01
4Numerische Antwort10 Pkt.Nicht beantwortet

Die Gewichte sind 0,97, 0,01, 0,01, 0,010{,}97,\ 0{,}01,\ 0{,}01,\ 0{,}010,97, 0,01, 0,01, 0,01, und das systematische Resampling nutzt N=4N=4N=4 Zeiger mit u=0,5u=0{,}5u=0,5. Wie viele verschiedene ursprüngliche Partikel erscheinen in der neuen Wolke?

k=k =k=akzeptiert: ± 0.01
5Auswahl10 Pkt.Nicht beantwortet

Es gibt N=1000N=1000N=1000 Partikel, und die effektive Stichprobengröße heute beträgt 620620620. Was tun Sie nach der Regel „neu ziehen, wenn ESS < N/2“?

6Schritte ordnen10 Pkt.Nicht beantwortet

Bringen Sie die Schritte des systematischen Resamplings in die richtige Reihenfolge.

Zum Umsortieren ziehen, oder ein Element fokussieren, mit Leertaste anheben, mit Pfeiltasten bewegen und mit Leertaste ablegen.

  1. 1Für jeden Zeiger das erste Partikel nehmen, dessen kumuliertes Gewicht ihn erreicht
  2. 2Die Gewichte zu kumulierten Gewichten aufaddieren
  3. 3N gleichmäßig verteilte Zeiger (u + i) / N setzen
  4. 4Eine einzige Gleichverteilte u ziehen
  5. 5Jeder Kopie das Gewicht 1 / N geben
7Zuordnen15 Pkt.Nicht beantwortet

Ordnen Sie jedem Resampling-Verfahren seine Art des Ziehens zu.

Wähle den Partner für jedes Element links.

Multinomial
Systematisch
Stratifiziert
Residual
8In Worten erklären15 Pkt.Nicht beantwortet

Erklären Sie in ein bis zwei Sätzen, warum ein Partikelfilter Resampling braucht und was es kostet.

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