book

Apprentissage automatique probabiliste pour la finance et l'investissement

by Deepak K. Kanungo

November 2024

Intermediate to advanced

266 pages

9h 10m

French

O'Reilly Media, Inc.

Book available

Read now

Unlock full access

Qui devrait lire ce livre ?Pourquoi j'ai écrit ce livreNaviguer dans ce livreConventions utilisées dans ce livreUtiliser des exemples de codeApprentissage en ligne O'ReillyComment nous contacterRemerciements
La finance n'est pas de la physiqueTous les modèles financiers sont faux, la plupart sont inutilesLe tiercé des erreurs de modélisationErreurs dans la spécification du modèleErreurs dans les estimations des paramètres du modèleErreurs dues à l'incapacité d'un modèle à s'adapter aux changements structurelsModèles financiers probabilistesIA financière et MLML probabilisteDistributions de probabilitésIntégration des connaissancesInférence des paramètresEnsembles génératifsConscience de l'incertitudeRésuméRéférencesPour en savoir plus
Le problème de Monty HallAxiomes de probabilitéInverser les probabilitésSimuler la solutionSignification de ProbabilitéProbabilité fréquentisteProbabilité épistémiqueProbabilité relativeRisque et incertitude : Une distinction inutileLa trinité de l'incertitudeIncertitude aléatoireIncertitude épistémiqueIncertitude ontologiqueLes théorèmes de l'absence de repas gratuitL'investissement et le problème de l'inductionLe problème de l'induction, les théorèmes de NFL et l'apprentissage automatique probabilisteRésuméRéférences
Simulation de Monte Carlo : Preuve de conceptConcepts statistiques clésMoyenne et varianceValeur attendue : Moyenne arithmétique pondérée par les probabilitésPourquoi la volatilité est une mesure du risque qui n'a pas de sensSkewness et KurtosisLa distribution gaussienne ou normalePourquoi la volatilité sous-estime-t-elle le risque financier ?La loi des grands nombresLe théorème de la limite centraleFondements théoriques de la PCÉvaluation d'un projet logicielConstruire un MCS solideRésuméRéférences
L'erreur inverseLa NHST est coupable de l'erreur du procureurLe jeu de la confianceModèle de marché à facteur unique pour les actionsRégression linéaire simple avec StatsmodelsIntervalles de confiance pour Alpha et BetaRévéler le jeu de la confianceErreurs dans les affirmations probabilistes sur les paramètres de la populationErreurs dans les affirmations probabilistes concernant un intervalle de confiance spécifiqueErreurs dans les affirmations probabilistes sur les distributions d'échantillonnageRésuméRéférencesPour en savoir plus
Enquête sur la règle de l'inversion des probabilitésEstimation de la probabilité d'un défaut de paiement de la detteGénérer des données avec des distributions de probabilités prédictivesRésuméPour en savoir plus
Systèmes d'IA : Un dangereux manque de bon sensPourquoi les modèles MLE échouent-ils en finance ?Un modèle MLE pour les attentes en matière de bénéficesUn modèle probabiliste pour les attentes en matière de bénéficesSimulations de Monte Carlo par chaîne de MarkovChaînes de MarkovÉchantillonnage de MetropolisRésuméRéférences
Modèles de régression MLEModèle de marchéHypothèses du modèleApprentissage des paramètres à l'aide de la méthode MLEQuantifier l'incertitude des paramètres à l'aide d'intervalles de confiancePrévision et simulation des sorties du modèleEnsembles linéaires probabilistesDistributions de probabilités préalables P(a, b, e)Fonction de vraisemblance P(Y| a, b, e, X)Fonction de vraisemblance marginale P(Y|X)Distributions de probabilités postérieures P(a, b, e| X, Y)Assembler des ELP avec PyMC et ArviZDéfinir les paramètres de performance de l'ensembleAnalyser les données et concevoir des fonctionnalitésDévelopper et rétrodire l'ensemble précédentEntraîner et rétrodire le modèle postérieurTester et évaluer les prédictions d'ensembleRésuméRéférencesPour en savoir plus
Cadre d'inférence probabiliste et de prédictionCadre de prise de décision probabilisteIntégrer la subjectivitéEstimation des pertesMinimiser les pertesGestion des risquesPréservation du capitalErgodicitéValeur générative à risqueManque à gagner attenduRisque de queue génératifAllocation de capitalRuine du joueurLa ruine attendue de l'évaluateurThéorie moderne du portefeuilleLa ruine de l'investisseur MarkowitzCritère KellyLa ruine de l'investisseur KellyRésuméRéférencesPour en savoir plus

Content preview from Apprentissage automatique probabiliste pour la finance et l'investissement

Chapitre 8. Prendre des décisions probabilistes avec les ensembles génératifs

Cet ouvrage a été traduit à l'aide de l'IA. Tes réactions et tes commentaires sont les bienvenus : translation-feedback@oreilly.com

Mais j'ai réalisé que les chances de gagner au fur et à mesure que le jeu progressait dépendaient en fait des cartes qui restaient dans le jeu et que l'avantage se déplaçait au fur et à mesure que le jeu se poursuivait, favorisant tantôt le casino, tantôt le joueur.

-Edward O. Thorp, le plus grand joueur et trader quantitatif de tous les temps.

Dans le chapitre précédent, nous avons conçu, développé, entraîné et testé un ensemble génératif de lignes de régression linéaire. La régression linéaire probabiliste est fondamentalement différente de la régression linéaire fréquentiste ou conventionnelle, présentée au chapitre 4. Pour commencer, la régression linéaire fréquentiste produit une seule ligne de régression avec des paramètres optimisés pour s'adapter à un ensemble de données financières bruyantes générées par un processus stochastique qui n'est ni stationnaire ni ergodique. La régression linéaire probabiliste génère de nombreuses droites de régression, chacune correspondant à différentes combinaisons de paramètres possibles, qui peuvent s'adapter à la distribution des données observées avec diverses plausibilités tout en restant cohérentes avec les connaissances préalables et les hypothèses du modèle.

Les ensembles génératifs ont les caractéristiques souhaitables ...