Probabilistisches maschinelles Lernen für Finanzen und Investieren

Kapitel 8. Probabilistische Entscheidungen mit generativen Ensembles treffen

Diese Arbeit wurde mithilfe von KI übersetzt. Wir freuen uns über dein Feedback und deine Kommentare: [e-mail]

Aber mir wurde klar, dass die Chancen im Laufe des Spiels davon abhingen, welche Karten noch im Stapel waren, und dass sich die Kanten im Laufe des Spiels verschieben würden, manchmal zugunsten des Casinos und manchmal zugunsten des Spielers.

-Dr. Edward O. Thorp, der größte quantitative Zocker und Händler aller Zeiten

Im vorigen Kapitel haben wir ein generatives Ensemble von linearen Regressionslinien entworfen, entwickelt, trainiert und getestet. Die probabilistische lineare Regression unterscheidet sich grundlegend von der frequentistischen oder konventionellen linearen Regression, die in Kapitel 4 vorgestellt wurde. Zunächst einmal erzeugt die frequentistische lineare Regression eine einzige Regressionslinie mit Parametern, die für einen verrauschten Finanzdatensatz optimiert sind, der durch einen stochastischen Prozess erzeugt wurde, der weder stationär noch ergodisch ist. Die probabilistische lineare Regression erzeugt viele Regressionslinien, die jeweils verschiedenen Kombinationen möglicher Parameter entsprechen, die die beobachtete Datenverteilung mit verschiedenen Plausibilitäten abbilden können und gleichzeitig mit dem Vorwissen und den Modellannahmen übereinstimmen.

Generative Ensembles haben die wünschenswerte Eigenschaft, dass sie in der Lage sind, die ...