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 AcademyFeuilles de routeParcours
Ctrl K
AO
+1,2 k apprenants
ConnexionRejoindre ↗
Feuilles de routeParcours
AO
+1,2 k apprenants
Connexion
  • 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 AcademyFeuilles de routeParcours
Ctrl K
AO
+1,2 k apprenants
ConnexionRejoindre ↗
Feuilles de routeParcours
AO
+1,2 k apprenants
Connexion
  • English
  • Français
  • Español
  • العربية
  • Português
  • Deutsch
  • 日本語
  • 中文
Parcours Bayesian Inference›Module 3 · Modèles et pratique›Sujet 3.1·~1 hAvancé

Modèles hiérarchiques et rétrécissement

Position dans le parcoursModule 3 sur 3 · Sujet 1 sur 4
3.1 Modèles hiérarchiques et rétrécissement
—Score du lab— / 100XP total—Série—

Laisser de nombreuses estimations s'entraider

Imaginez que vous avez le rendement moyen de 505050 actions. Les plus belles sont en partie bonnes et en partie chanceuses. Un modèle hiérarchique dit que toutes les vraies moyennes θi\theta_iθi​ viennent d'une même population, θi∼N(μ,τ2)\theta_i\sim N(\mu,\tau^{2})θi​∼N(μ,τ2), et que chaque moyenne observée yiy_iyi​ est la vraie moyenne plus un bruit d'erreur standard sis_isi​. Les données propres de l'action sont alors combinées avec le groupe : l'estimation est tirée vers la moyenne du groupe μ\muμ. Cette attraction s'appelle le rétrécissement.

Bi=si2si2+τ2,θ^i=Bi μ+(1−Bi) yi,sd(θi)=(1si2+1τ2)−1/2B_i=\frac{s_i^{2}}{s_i^{2}+\tau^{2}},\qquad \hat\theta_i=B_i\,\mu+(1-B_i)\,y_i,\qquad \mathrm{sd}(\theta_i)=\left(\frac{1}{s_i^{2}}+\frac{1}{\tau^{2}}\right)^{-1/2}Bi​=si2​+τ2si2​​,θ^i​=Bi​μ+(1−Bi​)yi​,sd(θi​)=(si2​1​+τ21​)−1/2(1)

Le facteur de rétrécissement BiB_iBi​ est la part de poids donnée au groupe. Une action bruitée (sis_isi​ grand) a BiB_iBi​ proche de 111 et est fortement tirée vers la moyenne du groupe. Une action mesurée avec précision (sis_isi​ petit) garde presque sa propre valeur. Si vous ne connaissez pas τ2\tau^{2}τ2, estimez-le à partir de la dispersion : la variance des yiy_iyi​ entre actions vaut τ2\tau^{2}τ2 plus la moyenne des si2s_i^{2}si2​. Donc τ2\tau^{2}τ2 est cette variance moins le bruit moyen, jamais en dessous de 000. Si la dispersion n'est pas plus grande que ce que le bruit seul produirait, τ2=0\tau^{2}=0τ2=0 et toutes les actions partagent une seule estimation.

Deux actions de même moyenneSoit le groupe μ=8%\mu=8\%μ=8% avec τ=2%\tau=2\%τ=2%. L'action A a y=14%y=14\%y=14% avec s=4%s=4\%s=4% : B=16/(16+4)=0,8B=16/(16+4)=0{,}8B=16/(16+4)=0,8, donc l'estimation est 0,8×8+0,2×14=9,2%0{,}8\times8+0{,}2\times14=9{,}2\%0,8×8+0,2×14=9,2% avec un écart type 1/1/16+1/4=1,79%1/\sqrt{1/16+1/4}=1{,}79\%1/1/16+1/4​=1,79%. L'action B a le même y=14%y=14\%y=14% mais un s=1%s=1\%s=1% précis : B=1/(1+4)=0,2B=1/(1+4)=0{,}2B=1/(1+4)=0,2, donc l'estimation est 0,2×8+0,8×14=12,8%0{,}2\times8+0{,}8\times14=12{,}8\%0,2×8+0,8×14=12,8%. L'action bruitée est presque entièrement ramenée, la précise à peine.
  • Modèle hiérarchique : les vraies moyennes viennent d'une population commune, donc les données de chaque action aident toutes les autres.
  • Rétrécissement Bi=si2/(si2+τ2)B_i=s_i^{2}/(s_i^{2}+\tau^{2})Bi​=si2​/(si2​+τ2) : les estimations bruitées bougent beaucoup, les précises à peine.
  • Estimer τ2\tau^{2}τ2 : variance entre actions moins le bruit moyen, jamais sous 000.

Lab : ce qui est noté

  • Le facteur de rétrécissement15 pts
  • La moyenne rétrécie de A15 pts
  • La moyenne rétrécie de B10 pts
  • La dispersion a posteriori de A10 pts
  • Estimer tau carré15 pts
  • Qui est le plus rétréci10 pts
  • Associer le vocabulaire10 pts
  • Pourquoi le rétrécissement aide15 pts
0/ 8 traités
Exercices
1Réponse numérique15 ptsSans réponse

L'action A a une erreur standard s=4%s=4\%s=4% et la dispersion du groupe est τ=2%\tau=2\%τ=2%. Que vaut B=s2/(s2+τ2)B=s^{2}/(s^{2}+\tau^{2})B=s2/(s2+τ2) ?

b=b =b=accepté : ± 0.005
2Réponse numérique15 ptsSans réponse

La moyenne du groupe est μ=8%\mu=8\%μ=8% et l'action A a une moyenne y=14%y=14\%y=14%. Que vaut la moyenne rétrécie Bμ+(1−B)yB\mu+(1-B)yBμ+(1−B)y avec B=0,8B=0{,}8B=0,8, en pourcent ? Donnez deux décimales.

m=m =m=accepté : ± 0.03
3Réponse numérique10 ptsSans réponse

L'action B a aussi une moyenne y=14%y=14\%y=14% mais son erreur standard n'est que s=1%s=1\%s=1%, donc B=1/(1+4)=0,2B=1/(1+4)=0{,}2B=1/(1+4)=0,2. Quelle est sa moyenne rétrécie, en pourcent ? Donnez deux décimales.

m=m =m=accepté : ± 0.03
4Réponse numérique10 ptsSans réponse

Quel est l'écart type a posteriori de la vraie moyenne de l'action A, (1/s2+1/τ2)−1/2\big(1/s^{2}+1/\tau^{2}\big)^{-1/2}(1/s2+1/τ2)−1/2 avec s=4s=4s=4 et τ=2\tau=2τ=2, en pourcent ? Donnez deux décimales.

s=s =s=accepté : ± 0.02
5Réponse numérique15 ptsSans réponse

Entre les actions, la variance des moyennes observées vaut 303030 (en pourcent au carré) et la moyenne des si2s_i^{2}si2​ vaut 202020. Quelle est l'estimation de τ2\tau^{2}τ2 par la méthode des moments ?

t=t =t=accepté : ± 0.01
6Choix10 ptsSans réponse

La moyenne de quelle action est la plus fortement tirée vers la moyenne du groupe ?

7Associer10 ptsSans réponse

Associez chaque symbole à son sens.

Choisissez le partenaire de chaque élément de gauche.

μ\muμ
τ\tauτ
sis_isi​
BiB_iBi​
8Expliquer avec des mots15 ptsSans réponse

En une ou deux phrases, expliquez pourquoi rapprocher la moyenne de chaque action de la moyenne du groupe prédit en général mieux sa moyenne future que la moyenne brute.

Mode mathsSaisie au clavier ou en LaTeXExercice 1 sur 8 · Ctrl ⏎ pour vérifier

Connectez-vous pour exécuter votre code.

Tous les cours sont gratuits à lire. Créez un compte ou connectez-vous pour exécuter du code, lancer les tests et soumettre ce lab.

  • IDE dans le navigateur avec terminal bash — rien à installer
  • Correction instantanée, XP et votre place dans le parcours
Créer un compteSe connecter
OU
Continuer avec GitHub