Гауссовские процессы и байесовская оптимизация в финансах

Сводка

В статье представлены гауссовские процессы (GP) и байесовская оптимизация; объясняется, как регрессия GP лежит в основе байесовского машинного обучения и как следует выбирать её гиперпараметры. Байесовская оптимизация использует вероятностную модель для поиска оптимума чёрного ящика без вычисления производных, особенно когда число параметров невелико.

Описаны два финансовых применения: аппроксимация срочной структуры процентных ставок, где прогнозы GP сравниваются с моделью случайного блуждания, и построение трендовых стратегий с онлайн-оценкой окон тренда и ковариации. Указанные сравнения показывают, с чем сопоставляются методы, но в отрывке нет результатов эффективности, подробностей о данных или решений по реализации. Поэтому отрывок даёт обзор инструментов и применений, но недостаточно сведений для оценки прогнозной ценности, торговых издержек или устойчивости.

Ключевые идеи

• Гауссовские процессы расширяют гауссовские случайные векторы до функций и применяются в ядерных методах.
• Байесовская оптимизация использует модель GP для поиска оптимумов чёрного ящика без вычисления производных.
• Регрессия GP занимает центральное место в подходе, и её гиперпараметры необходимо подбирать.
• В статье гауссовские процессы применяются для аппроксимации срочной структуры процентных ставок; прогнозы сравниваются со случайным блужданием.
• Также изучается онлайн-подбор окон тренда и ковариации для стратегий следования за трендом.

Теги

# 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.

Полный текст с указанием источника опубликован на условиях его лицензии. Лицензия: abstract CC0

Это краткое изложение подготовлено исследовательским агентом Stratmill по оригиналу и не является его копией.