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 AcademyRoadmapsRoteiros
Ctrl K
AO
+1,2 mil alunos
EntrarParticipar ↗
RoadmapsRoteiros
AO
+1,2 mil alunos
Entrar
  • 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 AcademyRoadmapsRoteiros
Ctrl K
AO
+1,2 mil alunos
EntrarParticipar ↗
RoadmapsRoteiros
AO
+1,2 mil alunos
Entrar
  • English
  • Français
  • Español
  • العربية
  • Português
  • Deutsch
  • 日本語
  • 中文
Roteiro de Bayesian Inference›Módulo 2 · Amostrar a posterior›Tópico 2.1·~1 h 5 minAvançado

Metropolis-Hastings do zero

Posição no roteiroMódulo 2 de 3 · Tópico 1 de 2
2.1 Metropolis-Hastings do zero
—Nota do lab— / 100XP total—Sequência—

Explorar uma posterior que não se consegue escrever

Muitas vezes só se consegue escrever a posterior a menos de uma constante, como prior vezes verossimilhança, e não dá para somá-la nem achar sua média com álgebra. O Metropolis-Hastings constrói um passeio aleatório que visita lugares em proporção à posterior. No ponto atual θ\thetaθ, proponha um ponto próximo θ′\theta'θ′, por exemplo θ\thetaθ mais um pouco de ruído normal. Compare as alturas posteriores com a razão r=p(θ′)/p(θ)r=p(\theta')/p(\theta)r=p(θ′)/p(θ). Se r≥1r\ge1r≥1, o novo ponto é pelo menos tão bom: mova-se. Senão, mova-se com probabilidade rrr. Se não se mover, anote de novo o ponto atual. A constante desconhecida é a mesma nas duas alturas, então se cancela na razão. É por isso que o método funciona.

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)

A lista de pontos visitados é a cadeia. Após um aquecimento, chamado burn-in, ela se comporta como uma amostra da posterior, então a média e o intervalo saem de médias e percentis simples da cadeia. O tamanho do passo é o ajuste principal. Se for pequeno demais, quase todo movimento é aceito, mas a cadeia se arrasta. Se for grande demais, a maioria das propostas cai em lugares ruins e é rejeitada, e a cadeia fica parada. Uma boa cadeia aceita de cerca de um quarto até metade das propostas. Olhe sempre a cadeia: plote-a e comece-a de pontos diferentes para ver que concordam.

Uma proposta, à mãoSeja a altura posterior p(θ)∝θ18(1−θ)10p(\theta)\propto\theta^{18}(1-\theta)^{10}p(θ)∝θ18(1−θ)10, a forma da Beta(19,11)\mathrm{Beta}(19,11)Beta(19,11). De θ=0,6\theta=0{,}6θ=0,6 proponha θ′=0,7\theta'=0{,}7θ′=0,7. A razão é (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: aceite com probabilidade 0,900{,}900,90. Proponha em vez disso θ′=0,55\theta'=0{,}55θ′=0,55: a razão é 0,6780{,}6780,678, aceite com probabilidade 0,680{,}680,68. Nenhum dos dois cálculos precisou da constante que faz a densidade somar 111.
  • Proposta e razão: proponha um ponto próximo e compare as alturas posteriores. A constante desconhecida se cancela.
  • Cadeia: os pontos visitados, repetidos quando um movimento é rejeitado. Descarte o burn-in e tire a média.
  • Tamanho do passo: pequeno demais se arrasta, grande demais trava. Mire em aceitar de um quarto a metade.

Lab: o que é avaliado

  • Uma boa proposta15 pts
  • Uma proposta pior15 pts
  • Uma log-razão10 pts
  • Tirar a média de uma cadeia10 pts
  • Um passo grande demais10 pts
  • Uma iteração10 pts
  • Associar o vocabulário15 pts
  • Por que a constante não é necessária15 pts
0/ 8 respondidas
Tarefas
1Resposta numérica15 ptsSem resposta

Com p(θ)∝θ18(1−θ)10p(\theta)\propto\theta^{18}(1-\theta)^{10}p(θ)∝θ18(1−θ)10, vá de θ=0,6\theta=0{,}6θ=0,6 para θ′=0,7\theta'=0{,}7θ′=0,7. Quanto vale a razão r=p(θ′)/p(θ)r=p(\theta')/p(\theta)r=p(θ′)/p(θ)? Dê quatro casas decimais.

r=r =r=aceito: ± 0.003
2Resposta numérica15 ptsSem resposta

Agora vá de θ=0,6\theta=0{,}6θ=0,6 para θ′=0,55\theta'=0{,}55θ′=0,55. Quanto vale a razão rrr? Dê quatro casas decimais.

r=r =r=aceito: ± 0.003
3Resposta numérica10 ptsSem resposta

Trabalhando em logs, quanto vale ln⁡p(θ′)−ln⁡p(θ)\ln p(\theta')-\ln p(\theta)lnp(θ′)−lnp(θ) para o passo de 0,60{,}60,6 a 0,70{,}70,7, isto é ln⁡0,9029\ln 0{,}9029ln0,9029? Dê três casas decimais.

l=l =l=aceito: ± 0.004
4Resposta numérica10 ptsSem resposta

Após o burn-in, uma cadeia curta tem os valores 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 (o segundo 0,650{,}650,65 é um movimento rejeitado). Qual é a estimativa da média posterior? Dê duas casas decimais.

m=m =m=aceito: ± 0.005
5Escolha10 ptsSem resposta

O que acontece quando o passo de proposta é grande demais?

6Ordenar os passos10 ptsSem resposta

Coloque em ordem os passos de uma iteração do Metropolis-Hastings.

Arraste para reordenar, ou foque um item, Espaço para levantá-lo, setas para movê-lo e Espaço para soltá-lo.

  1. 1Anotar o ponto, novo ou repetido
  2. 2Sortear um número uniforme u entre 0 e 1
  3. 3Propor um ponto próximo
  4. 4Mover se u for menor que a razão, senão ficar
  5. 5Calcular a razão das alturas posteriores
7Associar15 ptsSem resposta

Associe cada termo ao seu significado.

Escolha o par de cada item da esquerda.

Cadeia
Burn-in
Proposta
Taxa de aceitação
8Explicar com palavras15 ptsSem resposta

Em uma ou duas frases, explique por que o Metropolis-Hastings funciona mesmo quando a constante de normalização da posterior é desconhecida.

Modo matemáticaEntrada por teclado ou LaTeXTarefa 1 de 8 · Ctrl ⏎ para verificar

Entre para executar o seu código.

Todas as aulas são gratuitas para ler. Crie uma conta ou entre para executar código, rodar os testes e enviar este lab.

  • IDE no navegador com terminal bash — nada para instalar
  • Correção instantânea, XP e o seu lugar no roteiro
Criar uma contaEntrar
OU
Continuar com o GitHub