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 Hidden Markov Models›Module 2 · Les algorithmes de base›Sujet 2.3·~55 minAvancé

Lissage forward-backward

Position dans le parcoursModule 2 sur 3 · Sujet 3 sur 4
2.3 Lissage forward-backward
—Score du lab— / 100XP total—Série—

Regarder en arrière avec le recul

L'algorithme forward donne des probabilités filtrées : notre croyance sur le jour ttt en n'utilisant que les données jusqu'au jour ttt. Une fois l'historique complet disponible, on peut faire mieux pour le passé. Si le jour 1 semblait calme mais que les jours 2 et 3 ont eu de grands mouvements, ces jours ultérieurs nous disent quelque chose sur le jour 1. Le lissage utilise toutes les données. Il lui faut une seconde quantité βt(i)\beta_t(i)βt​(i) : la probabilité des observations après le jour ttt, sachant que le jour ttt est dans l'état iii. On la calcule à rebours, à partir de βT=1\beta_T=1βT​=1.

βT(i)=1,βt(i)=∑jAijBj(ot+1)βt+1(j),γt(i)=αt(i)βt(i)∑kαt(k)βt(k)\beta_T(i)=1,\qquad \beta_t(i)=\sum_jA_{ij}B_j(o_{t+1})\beta_{t+1}(j),\qquad \gamma_t(i)=\frac{\alpha_t(i)\beta_t(i)}{\sum_k\alpha_t(k)\beta_t(k)}βT​(i)=1,βt​(i)=j∑​Aij​Bj​(ot+1​)βt+1​(j),γt​(i)=∑k​αt​(k)βt​(k)αt​(i)βt​(i)​(1)

Le produit αt(i)βt(i)\alpha_t(i)\beta_t(i)αt​(i)βt​(i) est la probabilité de toutes les données avec l'état iii le jour ttt : α\alphaα couvre le passé et aujourd'hui, β\betaβ couvre le futur. Diviser par la somme sur les états donne la probabilité lissée γt(i)\gamma_t(i)γt​(i), la croyance sur le jour ttt sachant tout l'échantillon. Sommer αtβt\alpha_t\beta_tαt​βt​ sur les états donne le même nombre pour tout ttt, la probabilité des données. Les probabilités lissées sont le bon outil pour décrire le passé, par exemple pour étiqueter des régimes historiques. Ce sont le mauvais outil pour trader, car le jour même le futur n'est pas connu.

Le jour 1 avec le reculPour Petit, Grand, Grand : β3=(1, 1)\beta_3=(1,\ 1)β3​=(1, 1). Puis β2(C)=0,9⋅0,1+0,1⋅0,7=0,16\beta_2(C)=0{,}9\cdot0{,}1+0{,}1\cdot0{,}7=0{,}16β2​(C)=0,9⋅0,1+0,1⋅0,7=0,16 et β2(O)=0,2⋅0,1+0,8⋅0,7=0,58\beta_2(O)=0{,}2\cdot0{,}1+0{,}8\cdot0{,}7=0{,}58β2​(O)=0,2⋅0,1+0,8⋅0,7=0,58. Ensuite β1(C)=0,9⋅0,1⋅0,16+0,1⋅0,7⋅0,58=0,055\beta_1(C)=0{,}9\cdot0{,}1\cdot0{,}16+0{,}1\cdot0{,}7\cdot0{,}58=0{,}055β1​(C)=0,9⋅0,1⋅0,16+0,1⋅0,7⋅0,58=0,055 et β1(O)=0,2⋅0,1⋅0,16+0,8⋅0,7⋅0,58=0,328\beta_1(O)=0{,}2\cdot0{,}1\cdot0{,}16+0{,}8\cdot0{,}7\cdot0{,}58=0{,}328β1​(O)=0,2⋅0,1⋅0,16+0,8⋅0,7⋅0,58=0,328. Avec α1=(0,54, 0,12)\alpha_1=(0{,}54,\ 0{,}12)α1​=(0,54, 0,12) : α1β1=(0,0297, 0,0394)\alpha_1\beta_1=(0{,}0297,\ 0{,}0394)α1​β1​=(0,0297, 0,0394), qui somment à 0,06910{,}06910,0691, la probabilité des données. La probabilité lissée de Calme le jour 1 est donc 0,0297/0,0691=0,430{,}0297/0{,}0691=0{,}430,0297/0,0691=0,43, contre 0,820{,}820,82 filtrée. Les deux grands mouvements qui ont suivi nous ont fait changer d'avis.
  • Valeurs backward βt(i)\beta_t(i)βt​(i) : la probabilité de toutes les observations suivantes sachant l'état du jour ttt.
  • Lissage γt∝αtβt\gamma_t\propto\alpha_t\beta_tγt​∝αt​βt​ : la croyance sur le jour ttt sachant toutes les données, passées et futures.
  • Pour décrire le passé seulement : les probabilités lissées utilisent des données futures, on ne peut donc pas trader dessus.

Lab : ce qui est noté

  • Une valeur backward15 pts
  • Une autre valeur backward15 pts
  • La probabilité lissée d'orageux15 pts
  • Une vérification de la somme10 pts
  • Filtré contre lissé10 pts
  • Ce qu'ajoute le lissage10 pts
  • Associer le vocabulaire10 pts
  • Pourquoi lissé et filtré diffèrent15 pts
0/ 8 traités
Exercices
1Réponse numérique15 ptsSans réponse

Avec β3=(1, 1)\beta_3=(1,\ 1)β3​=(1, 1) et un grand mouvement au jour 3, que vaut β2(O)=AOCBC(g)+AOOBO(g)\beta_2(O)=A_{OC}B_C(g)+A_{OO}B_O(g)β2​(O)=AOC​BC​(g)+AOO​BO​(g) avec 0,2⋅0,1+0,8⋅0,70{,}2\cdot0{,}1+0{,}8\cdot0{,}70,2⋅0,1+0,8⋅0,7 ?

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

Avec β2=(0,16, 0,58)\beta_2=(0{,}16,\ 0{,}58)β2​=(0,16, 0,58) et un grand mouvement au jour 2, que vaut β1(C)=0,9⋅0,1⋅0,16+0,1⋅0,7⋅0,58\beta_1(C)=0{,}9\cdot0{,}1\cdot0{,}16+0{,}1\cdot0{,}7\cdot0{,}58β1​(C)=0,9⋅0,1⋅0,16+0,1⋅0,7⋅0,58 ? Donnez trois décimales.

b=b =b=accepté : ± 0.0005
3Réponse numérique15 ptsSans réponse

Le jour 1, α1β1=(0,0297, 0,0394)\alpha_1\beta_1=(0{,}0297,\ 0{,}0394)α1​β1​=(0,0297, 0,0394). Quelle est la probabilité lissée d'Orageux, 0,0394/(0,0297+0,0394)0{,}0394/(0{,}0297+0{,}0394)0,0394/(0,0297+0,0394) ? Donnez trois décimales.

g=g =g=accepté : ± 0.003
4Réponse numérique10 ptsSans réponse

La somme α1β1\alpha_1\beta_1α1​β1​ sur les deux états doit égaler la probabilité des données. Que vaut 0,0297+0,03940{,}0297+0{,}03940,0297+0,0394 ? Donnez quatre décimales.

s=s =s=accepté : ± 0.0003
5Réponse numérique10 ptsSans réponse

Le jour 1, la probabilité filtrée de Calme est 0,8180{,}8180,818 et la lissée 0,4300{,}4300,430. De combien le recul a-t-il baissé la croyance en Calme ? Donnez trois décimales.

d=d =d=accepté : ± 0.003
6Choix10 ptsSans réponse

Qu'utilise le lissage que le filtrage n'utilise pas ?

7Associer10 ptsSans réponse

Associez chaque terme à son sens.

Choisissez le partenaire de chaque élément de gauche.

αt(i)\alpha_t(i)αt​(i)
βt(i)\beta_t(i)βt​(i)
γt(i)\gamma_t(i)γt​(i)
βT=1\beta_T=1βT​=1
8Expliquer avec des mots15 ptsSans réponse

En une ou deux phrases, expliquez pourquoi la probabilité lissée de Calme le jour 1 est plus basse que la filtrée dans l'exemple.

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