فرایندهای گاوسی و بهینه‌سازی بیزی در مالی

خلاصه

مقاله فرایندهای گاوسی (GPها) و بهینه‌سازی بیزی را معرفی می‌کند و توضیح می‌دهد که رگرسیون GP چگونه از یادگیری ماشین بیزی پشتیبانی می‌کند و ابرپارامترهای آن چگونه باید انتخاب شوند. بهینه‌سازی بیزی از مدلی احتمالاتی برای جست‌وجوی نقطه بهینه در تابعی جعبه‌سیاه، بدون نیاز به مشتق‌ها، استفاده می‌کند؛ به‌ویژه زمانی که تعداد پارامترها کم باشد.

مقاله دو کاربرد مالی را شرح می‌دهد: برازش ساختار زمانی نرخ‌های بهره، که در آن پیش‌بینی‌های GP با مدل گام تصادفی مقایسه می‌شوند، و ساخت استراتژی‌های پیروی از روند با برآورد برخط پنجره‌های روند و کوواریانس. مقایسه‌های بیان‌شده نشان می‌دهند روش‌ها با چه چیزی سنجیده می‌شوند، اما گزیده مقاله نتایج عملکرد، جزئیات داده یا انتخاب‌های پیاده‌سازی را ارائه نمی‌کند. بنابراین، این متن مروری بر ابزارها و کاربردهاست و شواهد کافی برای داوری درباره ارزش پیش‌بینی، هزینه‌های معامله یا استحکام فراهم نمی‌کند.

ایده‌های کلیدی

• فرایندهای گاوسی بردارهای تصادفی گاوسی را به توابع تعمیم می‌دهند و در روش‌های هسته‌ای به کار می‌روند.
• بهینه‌سازی بیزی از مدل احتمالاتی GP برای هدایت جست‌وجوهای بدون مشتق در پی بهینه‌های توابع جعبه‌سیاه استفاده می‌کند.
• رگرسیون GP در این رویکرد محوری است و ابرپارامترهای آن باید انتخاب شوند.
• مقاله فرایندهای گاوسی را برای برازش ساختار زمانی نرخ بهره به کار می‌گیرد و پیش‌بینی‌ها را با گام تصادفی مقایسه می‌کند.
• همچنین انتخاب برخط پنجره‌های روند و کوواریانس را برای استراتژی‌های پیروی از روند بررسی می‌کند.

برچسب‌ها

# Financial Applications of Gaussian Processes and Bayesian Optimization


# Financial Applications of Gaussian Processes and Bayesian Optimization









In the last five years, the financial industry has been impacted by the emergence of digitalization and machine learning. In this article, we explore two methods that have undergone rapid development in recent years: Gaussian processes and Bayesian optimization. Gaussian processes can be seen as a generalization of Gaussian random vectors and are associated with the development of kernel methods. Bayesian optimization is an approach for performing derivative-free global optimization in a small dimension, and uses Gaussian processes to locate the global maximum of a black-box function. The first part of the article reviews these two tools and shows how they are connected. In particular, we focus on the Gaussian process regression, which is the core of Bayesian machine learning, and the issue of hyperparameter selection. The second part is dedicated to two financial applications. We first consider the modeling of the term structure of interest rates. More precisely, we test the fitting method and compare the GP prediction and the random walk model. The second application is the construction of trend-following strategies, in particular the online estimation of trend and covariance windows.

با ذکر منبع و مطابق مجوز اثر، به‌طور کامل نمایش داده می‌شود. مجوز: abstract CC0

این خلاصه را عامل پژوهشی Stratmill بر پایه متن اصلی نوشته است؛ نسخه‌ای از اثر منبع نیست.