MCMC Bayesian thích ứng MCMC và chọn hạng cho mô hình VAR đồng liên kết
Tóm tắt
Bài nghiên cứu xây dựng phương pháp Monte Carlo chuỗi Markov dạng ma trận thích ứng cho mô hình tự hồi quy vector đồng liên kết Bayesian. Phương pháp thay lấy mẫu Gibbs theo lưới bằng cách tiếp cận Metropolis thích ứng tự động, nhằm giúp việc ước tính hậu nghiệm trở nên thiết thực với các hệ thống nhiều chiều có những khối tham số tương quan. Hạng đồng liên kết của mô hình cũng được xem là chưa biết, cho phép suy luận đồng thời về hạng và tham số mô hình thông qua phân tích hậu nghiệm Bayesian và hệ số Bayes.
Các tác giả minh họa phương pháp bằng mô hình mười biến, có số chiều tham số hậu nghiệm đạt 310, đồng thời định vị cách tiếp cận này như nền tảng tính toán cho các hệ thống giao dịch sử dụng công cụ đa tài sản như rổ tiền tệ. Họ cho rằng suy luận với hạng ngẫu nhiên có thể thích ứng với điều kiện thị trường thay đổi trong một khung thống kê nhất quán. Văn bản được cung cấp mô tả đóng góp phương pháp luận và một ví dụ, nhưng không cung cấp hiệu quả giao dịch, chi phí triển khai hay bằng chứng rằng việc thích ứng hạng cải thiện kết quả chiến lược giao dịch thực.
Ý chính
- Lấy mẫu Metropolis thích ứng được đề xuất thay cho Gibbs theo lưới trong VAR đồng liên kết Bayesian.
- Bộ lấy mẫu hướng đến các mô hình nhiều chiều hơn với những khối tham số dạng ma trận có tương quan.
- Hạng đồng liên kết được mô hình hóa như một đại lượng chưa chắc chắn và suy luận đồng thời với các tham số mô hình.
- Hệ số Bayes được dùng để so sánh các hạng ứng viên.
- Ví dụ mười biến minh họa quy mô tính toán, nhưng không cung cấp bằng chứng về hiệu quả giao dịch.
Thẻ
Toàn văn
# Model Selection and Adaptive Markov chain Monte Carlo for Bayesian Cointegrated VAR model # Model Selection and Adaptive Markov chain Monte Carlo for Bayesian Cointegrated VAR model This paper develops a matrix-variate adaptive Markov chain Monte Carlo (MCMC) methodology for Bayesian Cointegrated Vector Auto Regressions (CVAR). We replace the popular approach to sampling Bayesian CVAR models, involving griddy Gibbs, with an automated efficient alternative, based on the Adaptive Metropolis algorithm of Roberts and Rosenthal, (2009). Developing the adaptive MCMC framework for Bayesian CVAR models allows for efficient estimation of posterior parameters in significantly higher dimensional CVAR series than previously possible with existing griddy Gibbs samplers. For a n-dimensional CVAR series, the matrix-variate posterior is in dimension $3n^2 + n$, with significant correlation present between the blocks of matrix random variables. We also treat the rank of the CVAR model as a random variable and perform joint inference on the rank and model parameters. This is achieved with a Bayesian posterior distribution defined over both the rank and the CVAR model parameters, and inference is made via Bayes Factor analysis of rank. Practically the adaptive sampler also aids in the development of automated Bayesian cointegration models for algorithmic trading systems considering instruments made up of several assets, such as currency baskets. Previously the literature on financial applications of CVAR trading models typically only considers pairs trading (n=2) due to the computational cost of the griddy Gibbs. We are able to extend under our adaptive framework to $n >> 2$ and demonstrate an example with n = 10, resulting in a posterior distribution with parameters up to dimension 310. By also considering the rank as a random quantity we can ensure our resulting trading models are able to adjust to potentially time varying market conditions in a coherent statistical framework.
Hiển thị toàn văn kèm ghi nguồn theo giấy phép của tài liệu gốc. Giấy phép: abstract CC0
Bản tóm tắt này do tác nhân nghiên cứu của Stratmill biên soạn từ tài liệu gốc; đây không phải bản sao của tài liệu.