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 Academy路线图学习路线
Ctrl K
AO
+1.2k 位学习者
登录加入 ↗
路线图学习路线
AO
+1.2k 位学习者
登录
  • 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 Academy路线图学习路线
Ctrl K
AO
+1.2k 位学习者
登录加入 ↗
路线图学习路线
AO
+1.2k 位学习者
登录
  • English
  • Français
  • Español
  • العربية
  • Português
  • Deutsch
  • 日本語
  • 中文
Bayesian Inference 学习路线›模块 1 · 信念与证据›主题 1.2·~50分钟中级

共轭模型:贝塔二项与正态

路线进度模块 1/3 · 主题 2/4
1.2 共轭模型:贝塔二项与正态
—实验得分— / 100总 XP—连续天数—

有公式的更新

后验通常要靠计算机,但对少数几对先验与似然,答案是一个简洁的公式,因为后验与先验属于同一个分布族。这样的一对叫共轭。最有名的是胜率 θ\thetaθ 的情形:贝塔先验配上胜负数据。Beta(a,b)\mathrm{Beta}(a,b)Beta(a,b) 先验相当于你已经见过 aaa 次胜和 bbb 次负。每多一次胜,aaa 加 111;每多一次负,bbb 加 111。均值是 a/(a+b)a/(a+b)a/(a+b)。

Beta(a,b)→Beta(a+k, b+n−k),m=a/(a+b)\mathrm{Beta}(a,b)\to\mathrm{Beta}(a+k,\,b+n-k),\qquad m=a/(a+b)Beta(a,b)→Beta(a+k,b+n−k),m=a/(a+b)(1)

第二对适用于噪声已知时的未知均值,比如平均收益。先验是 N(μ0,τ02)N(\mu_0,\tau_0^{2})N(μ0​,τ02​),数据给出样本均值 xˉ\bar xxˉ,标准误差为 sss。把精度(1/方差1/\mathrm{方差}1/方差)理解为你对某个信息的信任程度。后验精度是两个精度之和;后验均值是先验均值与样本均值按精度加权的平均,所以越精确的来源权重越大。

1τn2=1τ02+1s2,μn=μ0/τ02+xˉ/s21/τ02+1/s2\frac{1}{\tau_n^{2}}=\frac{1}{\tau_0^{2}}+\frac{1}{s^{2}},\qquad \mu_n=\frac{\mu_0/\tau_0^{2}+\bar x/s^{2}}{1/\tau_0^{2}+1/s^{2}}τn2​1​=τ02​1​+s21​,μn​=1/τ02​+1/s2μ0​/τ02​+xˉ/s2​(2)
胜率与平均收益从平均 0.50.50.5 的 Beta(5,5)\mathrm{Beta}(5,5)Beta(5,5) 出发,观察到 202020 天里赢 141414 天。后验是均值 19/30=0.63319/30=0.63319/30=0.633 的 Beta(19,11)\mathrm{Beta}(19,11)Beta(19,11):只看数据是 0.700.700.70,先验把它拉回向 0.50.50.5。再看平均收益:先验 6%±5%6\%\pm5\%6%±5%,数据 12%±4%12\%\pm4\%12%±4%。两个精度为 1/0.052=4001/0.05^{2}=4001/0.052=400 和 1/0.042=6251/0.04^{2}=6251/0.042=625。后验精度 102510251025,后验均值 (400⋅6+625⋅12)/1025=9.66%(400\cdot6+625\cdot12)/1025=9.66\%(400⋅6+625⋅12)/1025=9.66%,标准差 1/1025=3.12%1/\sqrt{1025}=3.12\%1/1025​=3.12%。数据更精确,所以结果更靠近数据。
  • 共轭:后验与先验同属一个分布族,更新就是一个公式。
  • 贝塔先验:已经见过的胜负次数,加上新的次数就是后验。
  • 正态情形:精度相加,并按精度加权平均各均值。

实验:评分内容

  • 后验胜率15 分
  • 胜率的离散度15 分
  • 后验平均收益15 分
  • 后验离散度15 分
  • 平坦的贝塔先验10 分
  • 配对术语15 分
  • 介于先验与数据之间15 分
0/ 已答 7 题
任务
1数值作答15 分未作答

先验为 Beta(5,5)\mathrm{Beta}(5,5)Beta(5,5),策略在 202020 天里赢了 141414 天。后验 Beta(19,11)\mathrm{Beta}(19,11)Beta(19,11) 的均值 a/(a+b)a/(a+b)a/(a+b) 是多少?保留四位小数。

m=m =m=允许误差:± 0.0005
2数值作答15 分未作答

Beta(a,b)\mathrm{Beta}(a,b)Beta(a,b) 的标准差是 ab(a+b)2(a+b+1)\sqrt{\dfrac{ab}{(a+b)^{2}(a+b+1)}}(a+b)2(a+b+1)ab​​。Beta(19,11)\mathrm{Beta}(19,11)Beta(19,11) 的标准差是多少?保留四位小数。

s=s =s=允许误差:± 0.0005
3数值作答15 分未作答

平均收益的先验为 6%±5%6\%\pm5\%6%±5%,数据为 12%±4%12\%\pm4\%12%±4%,两个精度为 400400400 和 625625625。后验均值(百分数)(400⋅6+625⋅12)/1025(400\cdot6+625\cdot12)/1025(400⋅6+625⋅12)/1025 是多少?保留两位小数。

m=m =m=允许误差:± 0.02
4数值作答15 分未作答

后验精度为 102510251025。后验标准差 1/10251/\sqrt{1025}1/1025​(百分数)是多少?保留两位小数。

s=s =s=允许误差:± 0.02
5选择10 分未作答

先验 Beta(1,1)\mathrm{Beta}(1,1)Beta(1,1) 对胜率说了什么?

6配对15 分未作答

把每个术语与其含义配对。

为左侧每一项选择配对项。

Beta(a,b)\mathrm{Beta}(a,b)Beta(a,b)
精度
共轭对
后验均值(正态情形)
7用文字解释15 分未作答

用一两句话解释:为什么正态均值的后验均值落在先验均值与样本均值之间,并且更靠近哪一个。

数学模式键盘或 LaTeX 输入第 1/7 题 · Ctrl ⏎ 检查

登录后即可运行你的代码。

所有讲解均可免费阅读。创建账户或登录后,即可运行代码、运行测试并提交此实验。

  • 浏览器内 IDE 与 bash 终端,无需安装
  • 即时评分、XP 以及你在学习路线中的位置
创建账户登录
或
使用 GitHub 继续