مالیات میں گاوسی عمل اور بیزیاتی اصلاح

خلاصہ

مضمون گاوسی عمل (GPs) اور بیزیاتی اصلاح متعارف کراتا ہے، اور بتاتا ہے کہ GP ریگریشن بیزیاتی مشین لرننگ میں کیسے مدد دیتی ہے اور اس کے ہائپر پیرامیٹرز کا انتخاب کیسے ضروری ہے۔ بیزیاتی اصلاح مشتقات کے بغیر کسی بلیک باکس فنکشن میں بہترین قدر تلاش کرنے کے لیے احتمالی ماڈل استعمال کرتی ہے، خاص طور پر جب پیرامیٹرز کی تعداد کم ہو۔

اس میں مالیات کے دو اطلاقات بیان ہیں: شرحِ سود کی میعاد ساخت کو موزوں بنانا، جہاں GP پیش گوئیوں کا موازنہ رینڈم واک ماڈل سے کیا جاتا ہے، اور آن لائن رجحان اور کوواریئنس ونڈوز کا اندازہ لگا کر رجحان کی پیروی کرنے والی اسٹریٹیجیز بنانا۔ بیان کردہ موازنوں سے پتا چلتا ہے کہ طریقوں کو کن چیزوں کے مقابل جانچا جاتا ہے، مگر اقتباس میں کارکردگی کے نتائج، ڈیٹا کی تفصیل یا نفاذ کے انتخاب نہیں دیے گئے۔ اس لیے یہ آلات اور اطلاقات کا تعارف ہے، پیش گوئی کی قدر، ٹریڈنگ لاگت یا مضبوطی جانچنے کے لیے کافی شواہد نہیں۔

اہم خیالات

• گاوسی عمل گاوسی بے ترتیب سمتیوں کو فنکشنز تک وسعت دیتے ہیں اور کرنل طریقوں میں استعمال ہوتے ہیں۔
• بیزیاتی اصلاح بلیک باکس میں مشتق سے آزاد بہترین قدر کی تلاش کی رہنمائی کے لیے GP ماڈل استعمال کرتی ہے۔
• GP ریگریشن اس طریقے کا مرکزی حصہ ہے اور اس کے ہائپر پیرامیٹرز منتخب کرنا ضروری ہے۔
• مضمون گاوسی عمل کو شرحِ سود کی میعاد ساخت پر لاگو کرتا اور پیش گوئیوں کا رینڈم واک سے موازنہ کرتا ہے۔
• یہ رجحان کی پیروی کرنے والی اسٹریٹیجیز کے لیے رجحان اور کوواریئنس ونڈوز کے آن لائن انتخاب کا بھی مطالعہ کرتا ہے۔

ٹیگز

# 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.

ماخذ کا حوالہ دیتے ہوئے مکمل متن دکھایا گیا ہے، ماخذ کے لائسنس کے تحت۔ لائسنس: abstract CC0

یہ خلاصہ اصل ماخذ سے Stratmill کے تحقیقی ایجنٹ نے لکھا ہے؛ یہ ماخذ کی نقل نہیں۔