Günlük dönüşlerini kullandıysanız, hafif bir sapma hatası yaptınız, ancak gelecekteki değerin bugünkü değere bölünmesiyle elde ederseniz, olasılığınız yanlıştır. Aslında, her iki durumda da olasılığınız yanlıştır. Önemi yeterince yanlış.
Bir istatistiğin verilerin herhangi bir işlevi olduğunu düşünün. İade veri değil, veri dönüşümleridir. Gelecekteki bir değerin bugünkü değere bölünmesiyle elde edilir. Fiyatlar veridir. Fiyatların bir dağıtım işlevi olmalıdır, ancak getiriler için dağıtım işlevi yalnızca fiyatların niteliğine bağlı olmalıdır.
ptpt + 1
pt + 1pt- 1.
1πσσ2+ ( y- β1x1- β2x2⋯ - βnxn- α )2.
OLS, yanlış çözüm olsa bile gözlemlenen verilere en iyi şekilde uymasını sağlar. Bayesci yöntemler, olasılıkla veri üretme işlevini bulmaya çalışır. Olasılık yanlıştı, bu yüzden bulamadı.
Daha fazla bilgiye ihtiyacınız varsa bu konuda bir makalem var.
EDIT
Sanırım yanlış anladın. Olasılığı bir yoğunluk fonksiyonuna dönüştürür ve beklentiyi alırsanız, bunun hiç olmadığını görürsünüz. Augustin Cauchy'nin 1852 veya belki 1851'de kanıtladığı gibi, en küçük kareler çözümünün herhangi bir formu mükemmel bir şekilde kesin değildir. Her zaman başarısız olur. Standart regresyon kullanmanız gerekmiyor, çünkü Bayesci olasılığa karşı duyarlı, Bayes, kabul edilebilir olan tek çözümdür, bazı olağandışı özel durumlar için bazı özel istisnalar vardır.
Bu konuda ampirik testler yaparken ve matematiği yeterince okumadan önce Bayesian ve Frequentist çözümün eşleşmesi gerektiğini düşündüm. Yaklaşık olarak, örnek yeterince büyüdükçe ikisinin yakınlaşacağını söyleyen bir teorem vardır. 1925-2013 yılları arasında CRSP evrenindeki tüm gün sonu işlemlerini test etmek için kullandım. Teorem böyle söylemez. Kuralları yanlış anlıyordum.
Sorunu günlüklerde de denedim ve hala eşleşmedi. Böylece bir şey fark ettim, tüm dağılımlar şekiller ve böylece hangi çözümün doğru olduğunu belirlemek için geometrik bir çözüm inşa ettim. Hangi cebirsel cevabın verilerle eşleştiğini belirlemek için bunu saf bir geometri problemi olarak gördüm.
Bayesliler eşleşti. Bu beni çok matematiksel bir yola sürükledi çünkü tarafsız tahmincinin neden bu kadar yanlış olduğunu anlayamadım. Sadece kayıt için, 1925-2013 dönemi boyunca ayrıştırılmış getirileri kullanarak ve kabuk şirketlerini, kapalı uçlu fonları ve benzerlerini kaldırarak, konum merkezi arasındaki tutarsızlık% 2'dir ve risk ölçüsü yıllık getiriler için% 4 oranında azdır. . Bu tutarsızlık, günlük dönüşümü altındadır, ancak farklı bir nedenden dolayı. Verilerin tek tek indeksleri veya alt kümeleri için farklı olabilir.
Tutarsızlığın nedeni iki yönlüdür. Birincisi, ilgili dağıtımların yeterli bir istatistiğe sahip olmamasıdır. Bazı problem türleri için bu önemli değil. Bununla birlikte, tahmin veya tahsis gibi projektif amaçlar için, bunlar biraz önemlidir. İkinci neden, tarafsız tahmin edicinin her zaman ortalamanın bir versiyonudur, fakat dağılımın bir anlamı yoktur.
Yukarıdaki yoğunluk normal veya gama dağılımı gibi üstel ailenin bir üyesi değildir. Pitman – Koopman – Darmois teoremi ile parametreler için yeterli nokta istatistiği mevcut değildir. Bu, bir nokta tahmincisi yaratma girişiminin bilgiyi atması gerektiği anlamına gelir. Bu, Bayes çözümleri için bir sorun değildir, çünkü posterior tüm yoğunluktur ve bir nokta tahminine ihtiyacınız varsa, tahmin yoğunluğunu bulabilir ve tek bir noktaya indirmek için bir maliyet fonksiyonunu en aza indirebilirsiniz. Bayes olasılığı her zaman minimal düzeyde yeterlidir.
Yukarıdaki fonksiyon için minimum varyans yansız tahmincisi, verilerin merkezdeki% 24.6'sını tutmak, kırpılmış ortalamasını bulmak ve geri kalan verileri atmaktır. Bu, verilerin% 75'inden fazlasının düştüğü ve bilgilerin kaybolduğu anlamına gelir. Hafızadan çalıştığım için sadece bir not,% 24.8 olabilir. Rothenberg'in makalesini şu adreste bulabilirsiniz:
Rothenberg, TJ ve FM Fisher ve CB Tilanus, Cauchy Örneğinden Tahmin Üzerine Bir Not, Amerikan İstatistik Derneği Dergisi, 1964, cilt 59 (306), s. 460-463
İkinci konu benim için şaşırtıcıydı. Geometri üzerinde çalışana kadar sebebin ne olduğunu anlayamadım. İade, altta% -100 oranında bağlanır. Bu, medyanı% 2 kaydırır ve çeyrekler arası aralık% 4 kaydırılır, ancak yarım kütle hala aynı noktalardadır. Yarı kütle ölçeğin doğru ölçüsüdür, ancak yarı genişlik değildir. Kesim olmasaydı, yarım genişlik ve yarım kütle aynı noktalarda olurdu. Benzer şekilde, medyan ve mod da aynı noktada kalacaktır. Ortanca ortalama aktör veya en azından ortalama ticaretin getirisidir. Bu nedenle, her zaman MVUE'nun yeri ve günlük ortalamasıdır.
Teoremi doğru anlamak, tüm Bayes kestiricilerinin kabul edilebilir kestiriciler olduğudur. İki koşuldan biri elde edilirse, sık tahmin ediciler kabul edilebilir tahmin edicilerdir. Birincisi, her örnekte, Frequentist ve Bayesian çözümünün aynı olmasıdır. İkincisi, Bayesian yönteminin sınırlayıcı çözeltisinin Frequentist çözümle eşleşmesi durumunda, Frequentist çözümün kabul edilebilir olmasıdır.
Kabul edilebilir tüm tahminciler, numune boyutu yeterince büyük olduğunda aynı çözeltiye yakınsar. Frequentist tahminci, modelinin gerçek model olduğunu ve verilerin rastgele olduğunu varsayar. Bayesian verilerin doğru olduğunu varsayar, ancak model rastgele. Sonsuz miktarda veriye sahipseniz, öznel model gerçeğe yaklaşmalıdır. Sonsuz miktarda veriye sahipseniz, ancak yanlış modeliniz varsa, Frequentist model olasılıkla sıfır ile gerçeğe yakınlaşacaktır.
Bu durumda, Bayes çözümü makul öncelikler altında, kesiciyi ve tahmin ediciyi oluşturmak için bilgi kaybından dolayı herhangi bir Frequentist kestiriciye her zaman stokastik olarak hükmedecektir.
Günlüklerde, olasılık fonksiyonu hiperbolik sekant dağılımıdır. Sonlu bir varyansı vardır, ancak kovaryans yoktur. OLS kullanılarak bulunan kovaryans matrisi, verilerin bir yapay nesnesidir ve temel alınan verilerde bulunan bir parametreye işaret etmez. Ham formda olduğu gibi, logdaki hiçbir şey kovarileri oluşturmaz, ancak hiçbir şey bağımsız değildir. Bunun yerine, kovaryans tanımını ihlal eden, ancak iç içe geçebilecekleri çok daha karmaşık bir ilişki vardır.
Markowitz ve Usman bunu dağıtımlarla ilgili çalışmalarında buldular, ancak hiperbolik sekant dağılımı bir Pearson ailesinde değil ve ham verilerden bir dağıtımı günlük verilerine dönüştürdüğünüzde istatistik özelliklerini de değiştirdiğinizi fark ederek verileri yanlış yorumladılar. . Temelde bunu buldular ama kaçırdılar çünkü aramak için bir nedenleri yoktu ve günlükleri kullanmanın istenmeyen sonuçlarını fark etmediler.
Markowitz ve Usman'ın bulunduğum yerde bana atıfta bulunmamasına rağmen, dışarıdaki dağılımı tahmin etmek için birkaç iyi işten birini yaptılar.
Her durumda, JAGS kullanmıyorum. Nasıl yapacağım hakkında hiçbir fikrim yok. Tüm MCMC işlerimi elle kodluyorum.
Bu konuda çok daha eksiksiz ve doğru bir makalem var:
Harris, DE (2017) Getirilerin Dağılımı. Matematiksel Finans Dergisi, 7, 769-804.
Herhangi bir varlık veya yükümlülük sınıfı için dağıtım oranları ve aynı zamanda muhasebe oranları için bir yöntem sağlayacaktır.
Ben gariptim, ama Bayes ve Pearson-Neyman yöntemleri arasındaki ilişkiyi yanlış anladığını görebiliyordum. Onları tersine çevirdin. Bayes her zaman çalışır, ancak çözümünüzü bozacak önceki bir yoğunluk ile sıkışıp kalırsınız. Uygun bir öncekiyle, önyargılı bir tahmin ediciyi garanti edersiniz ve bu tür bir olasılık işlevi için, birliğe entegrasyonu garanti etmek için uygun bir önceliği kullanmanız gerektiğine inanıyorum. Sık yöntemler hızlıdır ve genellikle işe yarar. Tarafsızdırlar, ancak geçerli olmayabilirler.