Финансовое Прогнозирование: Метод Байеса





--- Запасы Табака По-Прежнему Затягивает


--- Имперских марок Угробив табак для кофеин

Если Вы не знаете много о теории вероятностей, Байесовских методах, вероятно, звучит как страшная тема. Это не. Хотя любую тему математически могут быть приняты в достаточно сложных глубины, использование базовой модели Байесовская вероятность в финансовом прогнозировании могут помочь уточнить оценки вероятности с помощью интуитивно понятного процесса.
Байесовский ProbabilityBayesian вероятность применения в корпоративной Америке очень сильно зависит от "степени веры", а не исторические частот идентичных или подобных мероприятий. Вы также можете использовать свои исторические убеждения в зависимости от частоты использования модели; это очень универсальная модель.
В данной статье мы будем с помощью правил и утверждений из школы мысли, что относится к частоте, а не субъектности в Байесовская вероятность. Это означает, что оценка знаний, которая количественно базируется на исторических данных. Этот вид модели, где она становится особенно полезным в финансовом моделировании. Применение, как мы можем интегрировать это в нашей модели объясняется в разделе, чтобы следовать.
Байеса TheoremThe особую формулу Байеса вероятности мы собираемся использовать, называется Теоремой Байеса, которую иногда называют формулой Байеса или правилу Байеса. Это правило чаще всего используется, чтобы вычислить то, что называется апостериорная вероятность. Апостериорная вероятность-это условная вероятность будущего неопределенного события, которое основывается на соответствующих доказательств, относящихся к ней исторически. Другими словами, если вы получаете новую информацию или доказательства, и вам нужно обновить вероятность того, что событие происходит, вы можете использовать Бая Теорема оценить эту новую вероятность. Формула:
Р(А) вероятность возникновения, и называется априорной вероятностью. Р(А|B) - это условная вероятность a при условии, что б протекает. Это апостериорная вероятность из-за его переменной зависимость от Б. Это предполагает, что не является независимым от Б.
Р(В|А) - условная вероятность события B при условии, что происходит.
П(Б) вероятность Б происходит.
Если нас интересует вероятность события, о котором мы до наблюдений; мы называем это априорная вероятность. Мы считаем это событие событие, и его вероятность Р(А). Если есть второе событие, которое влияет на Р(А), который мы будем называть событие B, то мы хотим знать, что вероятность приведен в произошло. В вероятностной системе счисления это Р(А|B) и называется апостериорная вероятность или пересмотренных вероятность. Это потому что оно произошло после события оригинала, отсюда и пост в задней. Это как теорема Байеса однозначно позволяет нам обновить наши предыдущие убеждения с новой информацией. Приведенный ниже пример поможет вам увидеть, как это работает при включении его в рамках концепции рынка капитала.
В ExampleLet скажем, что мы хотим знать, как изменение процентных ставок влияет на величину индекса фондового рынка. Все основные индексы фондового рынка имеют множество исторических данных, так что вы должны иметь никаких проблем с поиском решений этих событий с немного исследований. Для нашего примера мы будем использовать приведенные ниже данные, чтобы выяснить, как индекс фондового рынка будут реагировать на повышение процентных ставок.
Цена Акций
Процентные Ставки

Снижение
Увеличение
Частота Блок
Снижение
200
950
1150
Увеличение
800
50
850

1000
1000
2000
Здесь:
П(СИ) = вероятность фондовый индекс increasingP(СД) = вероятность фондовый индекс decreasingP(ИД) = вероятность процентные ставки decreasingP(второй) = вероятность повышения процентных ставок
Итак, уравнение будет:
Таким образом, в нашем примере затык в наш ряд, мы получаем:
В таблице вы можете увидеть, что из 2000 наблюдений, 1150 экземпляров показал фондовый индекс снизился. Это априорная вероятность на основе исторических данных, который в данном примере составляет 57. 5% (1150/2000). Эта вероятность не учитывает информацию о процентных ставках, и мы хотим обновить. После обновления до этой вероятности с информацией, что процентные ставки выросли ведет нас к обновлению вероятность фондовый рынок снижается с 57. 5% до 95%. 95% - это апостериорная вероятность.
Моделирование Байеса TheoremAs видели выше, мы можем использовать результаты исторических данных, на котором основаны наши убеждения от которых мы можем получить новые обновленные вероятностей. Этот пример можно экстраполировать на отдельные компании, учитывая изменения в их собственные балансы, облигаций с учетом изменения кредитного рейтинга, и много других примеров. (Научиться анализировать баланс в нашей статье, ломая баланс. )
Так что, если кто не знает точных вероятностей, но имеет только оценки? Это где просмотреть субъективисты решительно вступает в игру. Многие люди положить много веры в оценках и упрощенный вероятностей даны специалистами в своей области; это также дает нам возможность уверенно производить новых оценок для новых и более сложных вопросов, которые внесены на те неизбежные препятствия в сфере финансового прогнозирования. Вместо того, чтобы гадать или с помощью простых вероятностей деревья, чтобы преодолеть эти дорожные блоки, теперь мы можем использовать теорему Байеса, если мы обладаем нужной информацией, с которой начать. (См. прогнозирует аналитик катастрофой для некоторых акций, чтобы прочитать о последствиях плохой прогноз. )
Теперь, когда мы научились правильно вычислить теореме Байеса, мы можем теперь узнать только где он может быть применен в финансовом моделировании. Другой, и гораздо более сложного по своей сути бизнес-специфический, полномасштабных примеров не будет, но ситуаций, где и как использовать теорему Байеса будет.
Изменение процентных ставок может сильно повлиять на стоимость конкретных активов. Таким образом, изменение стоимости активов может значительно повлиять на стоимость конкретной рентабельности и показатели эффективности, используемые для прокси-показателей компании. По оценкам вероятностей широко нашли, касающихся систематического изменения процентных ставок и, следовательно, может быть эффективно использовано в теореме Байеса.
Еще одно направление, где мы можем применить наши новообретенные процесс продажи компании поток дохода. Иска, изменение цен на сырье, и многие другие вещи могут сильно влиять на величину чистого дохода компании. С помощью оценки вероятностей, связанных с этими факторами, мы можем применить теорему Байеса, чтобы выяснить, что важно для нас.
Как только мы найдем выводил вероятности того, что мы ищем это только простой применение математического ожидания и результат прогнозирования для количественной оценки денежной нашем вероятностей.
ConclusionTo заключение, мы обнаружили, что с помощью множества соответствующих вероятностей можно вывести ответ на довольно сложные вопросы с помощью простой формулы. Эти методы хорошо принята и проверена временем, их использование в финансовом моделировании может оказаться очень полезным и выгодным, если применяется правильно.
Для дальнейшего чтения на другой метод прогнозирования, взгляните на Многофакторных моделях: Анализ Монте-Карло.




Комментарии


Ваше имя:

Комментарий:

ответьте цифрой: дeвять + пять =



Финансовое Прогнозирование: Метод Байеса Финансовое Прогнозирование: Метод Байеса