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 2 · Échantillonner la loi a posteriori›Sujet 2.1·~1 h 5 minAvancé

Metropolis-Hastings de zéro

Position dans le parcoursModule 2 sur 3 · Sujet 1 sur 2
2.1 Metropolis-Hastings de zéro
—Score du lab— / 100XP total—Série—

Explorer un a posteriori qu'on ne peut pas écrire

On ne peut souvent écrire l'a posteriori qu'à une constante près, comme a priori fois vraisemblance, et on ne peut ni le sommer ni trouver sa moyenne par l'algèbre. Metropolis-Hastings construit une marche aléatoire qui visite les endroits en proportion de l'a posteriori. Au point courant θ\thetaθ, proposez un point voisin θ′\theta'θ′, par exemple θ\thetaθ plus un peu de bruit normal. Comparez les hauteurs a posteriori avec le rapport r=p(θ′)/p(θ)r=p(\theta')/p(\theta)r=p(θ′)/p(θ). Si r≥1r\ge1r≥1, le nouveau point est au moins aussi bon : avancez. Sinon, avancez avec la probabilité rrr. Si vous n'avancez pas, notez à nouveau le point courant. La constante inconnue est la même dans les deux hauteurs, elle s'annule donc dans le rapport. C'est pourquoi la méthode fonctionne.

r=p(θ′)p(θ),α=min⁡(1, r),ln⁡α=min⁡(0, ln⁡p(θ′)−ln⁡p(θ))r=\frac{p(\theta')}{p(\theta)},\qquad \alpha=\min(1,\,r),\qquad \ln\alpha=\min\big(0,\ \ln p(\theta')-\ln p(\theta)\big)r=p(θ)p(θ′)​,α=min(1,r),lnα=min(0, lnp(θ′)−lnp(θ))(1)

La liste des points visités est la chaîne. Après un échauffement, appelé burn-in, elle se comporte comme un échantillon de l'a posteriori : la moyenne et l'intervalle viennent donc de simples moyennes et percentiles de la chaîne. Le pas est le réglage principal. Trop petit, presque chaque mouvement est accepté mais la chaîne rampe. Trop grand, la plupart des propositions tombent en de mauvais endroits et sont rejetées, la chaîne reste immobile. Une bonne chaîne accepte environ un quart à la moitié des propositions. Regardez toujours la chaîne : tracez-la et lancez-la de points de départ différents pour voir qu'ils s'accordent.

Une proposition, à la mainSoit la hauteur a posteriori p(θ)∝θ18(1−θ)10p(\theta)\propto\theta^{18}(1-\theta)^{10}p(θ)∝θ18(1−θ)10, la forme de Beta(19,11)\mathrm{Beta}(19,11)Beta(19,11). Depuis θ=0,6\theta=0{,}6θ=0,6, proposez θ′=0,7\theta'=0{,}7θ′=0,7. Le rapport est (0,7/0,6)18(0,3/0,4)10=0,903(0{,}7/0{,}6)^{18}(0{,}3/0{,}4)^{10}=0{,}903(0,7/0,6)18(0,3/0,4)10=0,903 : acceptez avec la probabilité 0,900{,}900,90. Proposez plutôt θ′=0,55\theta'=0{,}55θ′=0,55 : le rapport est 0,6780{,}6780,678, acceptez avec la probabilité 0,680{,}680,68. Aucun des deux calculs n'a eu besoin de la constante qui fait sommer la densité à 111.
  • Proposition et rapport : proposez un point voisin et comparez les hauteurs a posteriori. La constante inconnue s'annule.
  • Chaîne : les points visités, répétés quand un mouvement est rejeté. Retirez le burn-in puis moyennez.
  • Pas : trop petit, la chaîne rampe ; trop grand, elle se bloque. Visez environ un quart à la moitié d'acceptation.

Lab : ce qui est noté

  • Une bonne proposition15 pts
  • Une moins bonne proposition15 pts
  • Un log-rapport10 pts
  • Moyenner une chaîne10 pts
  • Un pas trop grand10 pts
  • Une itération10 pts
  • Associer le vocabulaire15 pts
  • Pourquoi la constante est inutile15 pts
0/ 8 traités
Exercices
1Réponse numérique15 ptsSans réponse

Avec p(θ)∝θ18(1−θ)10p(\theta)\propto\theta^{18}(1-\theta)^{10}p(θ)∝θ18(1−θ)10, passez de θ=0,6\theta=0{,}6θ=0,6 à θ′=0,7\theta'=0{,}7θ′=0,7. Que vaut le rapport r=p(θ′)/p(θ)r=p(\theta')/p(\theta)r=p(θ′)/p(θ) ? Donnez quatre décimales.

r=r =r=accepté : ± 0.003
2Réponse numérique15 ptsSans réponse

Passez maintenant de θ=0,6\theta=0{,}6θ=0,6 à θ′=0,55\theta'=0{,}55θ′=0,55. Que vaut le rapport rrr ? Donnez quatre décimales.

r=r =r=accepté : ± 0.003
3Réponse numérique10 ptsSans réponse

En travaillant en logs, que vaut ln⁡p(θ′)−ln⁡p(θ)\ln p(\theta')-\ln p(\theta)lnp(θ′)−lnp(θ) pour le passage de 0,60{,}60,6 à 0,70{,}70,7, c'est-à-dire ln⁡0,9029\ln 0{,}9029ln0,9029 ? Donnez trois décimales.

l=l =l=accepté : ± 0.004
4Réponse numérique10 ptsSans réponse

Après le burn-in, une courte chaîne contient les valeurs 0,62, 0,65, 0,65, 0,58, 0,700{,}62,\ 0{,}65,\ 0{,}65,\ 0{,}58,\ 0{,}700,62, 0,65, 0,65, 0,58, 0,70 (le second 0,650{,}650,65 est un mouvement rejeté). Quelle est l'estimation de la moyenne a posteriori ? Donnez deux décimales.

m=m =m=accepté : ± 0.005
5Choix10 ptsSans réponse

Que se passe-t-il quand le pas de proposition est beaucoup trop grand ?

6Remettre les étapes dans l'ordre10 ptsSans réponse

Mettez dans l'ordre les étapes d'une itération de Metropolis-Hastings.

Faites glisser pour réordonner, ou placez le focus sur un élément, Espace pour le soulever, les flèches pour le déplacer et Espace pour le déposer.

  1. 1Noter le point, nouveau ou répété
  2. 2Tirer un nombre uniforme u entre 0 et 1
  3. 3Proposer un point voisin
  4. 4Avancer si u est sous le rapport, sinon rester
  5. 5Calculer le rapport des hauteurs a posteriori
7Associer15 ptsSans réponse

Associez chaque terme à son sens.

Choisissez le partenaire de chaque élément de gauche.

Chaîne
Burn-in
Proposition
Taux d'acceptation
8Expliquer avec des mots15 ptsSans réponse

En une ou deux phrases, expliquez pourquoi Metropolis-Hastings fonctionne même quand la constante de normalisation de l'a posteriori est inconnue.

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