Quá trình Gaussian và tối ưu Bayes trong tài chính

Tóm tắt

Bài viết giới thiệu quá trình Gaussian (GP) và tối ưu Bayes, giải thích cách hồi quy GP hỗ trợ học máy Bayes và cách lựa chọn siêu tham số. Tối ưu Bayes dùng mô hình xác suất để tìm cực trị của hàm hộp đen mà không cần đạo hàm, đặc biệt khi số tham số nhỏ.

Bài viết mô tả hai ứng dụng tài chính: khớp cấu trúc kỳ hạn của lãi suất, trong đó dự báo GP được so sánh với mô hình bước đi ngẫu nhiên, và xây dựng chiến lược theo xu hướng bằng cách ước tính trực tuyến các cửa sổ xu hướng và hiệp phương sai. Các so sánh nêu rõ phương pháp được đánh giá đối chiếu với những gì, nhưng trích đoạn không đưa ra kết quả hiệu suất, chi tiết dữ liệu hay lựa chọn triển khai. Vì vậy, bài viết khái quát các công cụ và ứng dụng, chưa đủ bằng chứng để đánh giá giá trị dự báo, chi phí giao dịch hay độ vững.

Ý chính

• Quá trình Gaussian mở rộng vectơ ngẫu nhiên Gaussian thành hàm và được dùng trong các phương pháp kernel.
• Tối ưu Bayes dùng mô hình GP để định hướng tìm kiếm cực trị hộp đen không cần đạo hàm.
• Hồi quy GP là trọng tâm của phương pháp và cần lựa chọn siêu tham số.
• Bài viết áp dụng GP để khớp cấu trúc kỳ hạn lãi suất và so sánh dự báo với bước đi ngẫu nhiên.
• Bài viết cũng nghiên cứu việc lựa chọn trực tuyến các cửa sổ xu hướng và hiệp phương sai cho chiến lược theo xu hướng.

Thẻ

# 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.

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.