पदानुक्रमित मॉडल बेयसियन सांख्यिकी विदेशी मुद्रा

वित्तीय पूर्वानुमान: बेयसियन विधि यदि आप संभावना सिद्धांत के बारे में बहुत कुछ नहीं जानते हैं, तो बेयसियन तरीके शायद एक डरावनी विषय की तरह लगते हैं। यह। हालांकि किसी भी गणितीय आधारित विषय को जटिल गहराई में नहीं लिया जा सकता है, वित्तीय पूर्वानुमान में बुनियादी Bayesian संभाव्यता मॉडल के उपयोग से सहज ज्ञान युक्त प्रक्रिया का उपयोग करके संभावनाओं को परिष्कृत करने में मदद मिल सकती है। Bayesian संभावना कॉर्पोरेट कॉर्पोरेट अमेरिका में Bayesian संभावनाओं आवेदन समान या इसी तरह की घटनाओं की ऐतिहासिक आवृत्तियों के बजाय विश्वास की डिग्री पर निर्भर है। आप मॉडल का उपयोग करने के लिए आवृत्ति के आधार पर अपने ऐतिहासिक विश्वासों का भी उपयोग कर सकते हैं इसकी एक बहुत बहुमुखी मॉडल इस लेख के लिए, हम उन विचारों के नियमों और कथनों का उपयोग करेंगे, जो कि बाईसियन संभावना के भीतर व्यक्तिपरक होने की बजाय आवृत्ति से संबंधित है। इसका मतलब यह है कि मात्रा का ज्ञान मापना ऐतिहासिक डेटा पर आधारित है। मॉडल का यह दृश्य है जहां यह विशेष रूप से वित्तीय मॉडलिंग में उपयोगी हो जाता है। इस आवेदन को हम अपने मॉडलों में कैसे एकीकृत कर सकते हैं, इसका अनुसरण करने के लिए खंड में समझाया गया है। Bayes प्रमेय Baesian संभावना से हम विशेष रूप से उपयोग करने जा रहे हैं Bayes प्रमेय कहा जाता है कभी-कभी Bayes सूत्र या Bayes नियम कहा जाता है। इस विशेष नियम का इस्तेमाल अक्सर गणना करने के लिए किया जाता है जिसे पीछे की संभावना कहा जाता है। पीछे की संभावना भविष्य की अनिश्चित घटना की सशर्त संभाव्यता है जो ऐतिहासिक दृष्टि से संबंधित सबूतों पर आधारित है। दूसरे शब्दों में, यदि आप नई जानकारी या सबूत प्राप्त करते हैं और आपको एक घटना की संभावना को अद्यतन करने की आवश्यकता है, तो आप इस नई संभावना का अनुमान लगाने के लिए Bayes प्रमेय का उपयोग कर सकते हैं। सूत्र है: पी (ए) एक होने वाली होने की संभावना है, और इसे पूर्व संभावना कहा जाता है। पी (एबी) ए की एक सशर्त संभावना है कि बी होता है। यह बी पर अपनी चर निर्भरता के कारण पीछे की संभावना है। यह मानता है कि ए बी के स्वतंत्र नहीं है बी (बीए) बी की सशर्त संभावना है कि ए होता है। पी (बी) बी होने की संभावना है। यदि हम किसी ऐसी घटना की संभावना में रुचि रखते हैं जिसमें हमारे पास पूर्व टिप्पणियां हैं तो हम इसे पूर्व संभावना कहते हैं। अच्छी तरह से इस घटना की घटना ए, और इसकी संभावना पी (ए) समझे अगर कोई दूसरी घटना है जो पी (ए) को प्रभावित करती है, जो कि ईवेंट बी को अच्छी तरह से कॉल करती है, तो हम यह जानना चाहते हैं कि ए की संभावना बी हुई है। संभाव्य संकेतन में यह पी (एबी) है, और इसे पीछे की संभावना या संशोधित संभावना के रूप में जाना जाता है। ऐसा इसलिए है क्योंकि मूल घटना के बाद यह हुआ है, इसलिए पोस्टर में पोस्ट किया गया है। इस तरह से Bayes प्रमेय विशिष्ट रूप से हमें नई जानकारी के साथ हमारे पिछले विश्वासों को अपडेट करने की अनुमति देता है। नीचे दिए गए उदाहरण आपको यह समझने में सहायता करेंगे कि यह एक इक्विटी मार्केट अवधारणा के भीतर शामिल करते हुए यह कैसे काम करता है। एक उदाहरण बताता है कि हम यह जानना चाहते हैं कि ब्याज दरों में बदलाव शेयर बाजार सूचकांक के मूल्य को कैसे प्रभावित करेगा। सभी प्रमुख शेयर बाजार अनुक्रमितों में ऐतिहासिक डेटा उपलब्ध हैं, इसलिए आपको थोड़ा सा अनुसंधान के साथ इन घटनाओं के परिणामों को ढूँढने में कोई समस्या नहीं होनी चाहिए। हमारे उदाहरण के लिए हम यह पता लगाने के लिए नीचे दिए गए डेटा का उपयोग करेंगे कि कैसे एक शेयर बाजार सूचकांक ब्याज दरों में वृद्धि के बारे में प्रतिक्रिया करेगी। पी (एसआई) शेयर सूचकांक की बढ़ती पी (एसडी) की संभावना शेयर सूचकांक की संभावना पी कम हो रही है (ब्याज दरों में वृद्धि की संभावना पी) कम ब्याज दरों की संभावना बढ़ रही है तो समीकरण होगा: इस प्रकार हमारी संख्या में हमारे उदाहरण को छूने के लिए हम मिलते हैं: तालिका में आप देख सकते हैं कि 2000 के अवलोकन से, 1150 उदाहरणों से पता चलता है कि स्टॉक इंडेक्स में कमी आई है। यह ऐतिहासिक डेटा पर आधारित पूर्व संभावना है, जो इस उदाहरण में 57.5 (11502000) है। यह संभावना ब्याज दरों के बारे में किसी भी जानकारी को ध्यान में नहीं रखती है, और जिसे हम अपडेट करना चाहते हैं ब्याज दरों में बढ़ोतरी की जानकारी के साथ इस पूर्व संभावना को अद्यतन करने के बाद हमें शेयर बाजार की संभावना को अद्यतन करने के लिए 57.5 से 95 तक कम करने की ओर अग्रसर होता है। 95 पीछे की संभावना है। Bayes प्रमेय के साथ मॉडलिंग जैसा कि ऊपर देखा गया है, हम ऐतिहासिक डेटा के परिणामों का उपयोग कर सकते हैं, जिनके आधार पर हम नए अद्यतन संभावनाओं को प्राप्त कर सकते हैं। इस उदाहरण को व्यक्तिगत कंपनियों को अपने स्वयं के बैलेंस शीट्स में बदल दिया जा सकता है। बांडों को क्रेडिट रेटिंग में दिए गए परिवर्तन और कई अन्य उदाहरण (जानें कैसे हमारे लेख में बैलेंस शीट का विश्लेषण करने के लिए, बैलेंस शीट को तोड़ना।) तो क्या होगा अगर कोई सटीक संभावनाओं को नहीं जानता है, लेकिन इसका केवल अनुमान है, यह वह जगह है जहां विषयवादियों का विचार दृढ़तापूर्वक खेलने में आता है। बहुत से लोगों ने अपने क्षेत्र में विशेषज्ञों द्वारा दिए गए अनुमानों और सरलीकृत संभावनाओं में बहुत विश्वास किया है, यह हमें वित्तीय पूर्वानुमान में उन अनिवार्य बाधाओं द्वारा शुरू किए गए नए और अधिक जटिल सवालों के नए आवेक्षकों को आत्मविश्वास से प्रस्तुत करने की महान क्षमता भी देता है। इन सड़क के ब्लॉकों पर काबू पाने के लिए साधारण संभावना पेड़ों का अनुमान लगाने या उपयोग करने के बजाय, अब हम बैयेस प्रमेय का उपयोग कर सकते हैं यदि हमारे पास सही जानकारी है जिसके लिए शुरू करना है (देखें विश्लेषक भविष्यवाणियां कुछ शेयरों के लिए वर्तनी आपदा के लिए खराब भविष्यवाणी के प्रभावों के बारे में पढ़ने के लिए।) अब जब हमने Bayes प्रमेय को सही तरीके से गणना करने का सीखा है, तो अब हम यह सीख सकते हैं कि यह वित्तीय मॉडलिंग में कहां लागू किया जा सकता है। अन्य, और अधिक स्वाभाविक जटिल व्यवसाय विशिष्ट, पूर्ण पैमाने पर उदाहरण प्रदान नहीं किए जाएंगे, लेकिन जहां Bayes प्रमेय का उपयोग करने के तरीके और कैसे होगा ब्याज दरें बदलने से विशेष परिसंपत्तियों के मूल्य को भारी रूप से प्रभावित किया जा सकता है संपत्ति का बदलते मूल्य इसलिए विशेष रूप से लाभप्रदता और दक्षता अनुपात के मूल्य को प्रभावित कर सकता है जो किसी कंपनी के प्रदर्शन को प्रॉक्सी करता है। अनुमानित संभाव्यता ब्याज दरों में व्यवस्थित परिवर्तनों से संबंधित व्यापक रूप से मिलती है और इसलिए बैयेस प्रमेय में प्रभावी रूप से उपयोग किया जा सकता है। एक अन्य अवसर जहां हम अपनी नई प्रक्रिया को लागू कर सकते हैं, कंपनी की शुद्ध आय स्ट्रीम में है। कानून, कच्चे माल की कीमतों में बदलाव और कई अन्य चीजें किसी कंपनी की शुद्ध आय के मूल्य को भारी प्रभाव डाल सकती हैं। इन कारकों से संबंधित प्रायिकता अनुमानों का उपयोग करके, हम बेहेस प्रमेय पर विचार कर सकते हैं कि हमारे लिए क्या ज़रूरी है एक बार जब हमें अनुमानित संभावनाएं मिलेंगी जो हम चाहते हैं कि यह हमारी संभाव्यता का मौद्रिक रूप से परिमाण के लिए गणितीय अपेक्षा और परिणाम पूर्वानुमान का एक सरल अनुप्रयोग है निष्कर्ष समाप्त करने के लिए, हमने पाया कि संबंधित संभावनाओं के असंख्य का उपयोग करके हम एक साधारण सूत्र के साथ जटिल प्रश्नों के उत्तर का आकलन कर सकते हैं। इन पद्धतियों को अच्छी तरह से स्वीकार किया जाता है और समय परीक्षण किया जाता है, वित्तीय मॉडलिंग में उनका उपयोग बहुत उपयोगी और लाभप्रद हो सकता है यदि उन्हें ठीक से लागू किया गया हो। एक और भविष्यवाणी तकनीक पर आगे पढ़ने के लिए, मल्टी कार्बियो विश्लेषण: मोंटे कार्लो विश्लेषण देखें। वित्तीय पूर्वानुमान: बेयसियन विधि यदि आप संभावना सिद्धांत के बारे में बहुत कुछ नहीं जानते हैं, तो बेयसियन तरीकों शायद एक डरावनी विषय की तरह लगती हैं। यह। हालांकि किसी भी गणितीय आधारित विषय को जटिल गहराई में नहीं लिया जा सकता है, वित्तीय पूर्वानुमान में बुनियादी Bayesian संभाव्यता मॉडल के उपयोग से सहज ज्ञान युक्त प्रक्रिया का उपयोग करके संभावनाओं को परिष्कृत करने में मदद मिल सकती है। Bayesian संभावना कॉर्पोरेट कॉर्पोरेट अमेरिका में Bayesian संभावनाओं आवेदन समान या इसी तरह की घटनाओं की ऐतिहासिक आवृत्तियों के बजाय विश्वास की डिग्री पर निर्भर है। आप मॉडल का उपयोग करने के लिए आवृत्ति के आधार पर अपने ऐतिहासिक विश्वासों का भी उपयोग कर सकते हैं इसकी एक बहुत बहुमुखी मॉडल इस लेख के लिए, हम उन विचारों के नियमों और कथनों का उपयोग करेंगे, जो कि बाईसियन संभावना के भीतर व्यक्तिपरक होने की बजाय आवृत्ति से संबंधित है। इसका मतलब यह है कि मात्रा का ज्ञान मापना ऐतिहासिक डेटा पर आधारित है। मॉडल का यह दृश्य है जहां यह विशेष रूप से वित्तीय मॉडलिंग में उपयोगी हो जाता है। इस आवेदन को हम अपने मॉडलों में कैसे एकीकृत कर सकते हैं, इसका अनुसरण करने के लिए खंड में समझाया गया है। Bayes प्रमेय Baesian संभावना से हम विशेष रूप से उपयोग करने जा रहे हैं Bayes प्रमेय कहा जाता है कभी-कभी Bayes सूत्र या Bayes नियम कहा जाता है। इस विशेष नियम का इस्तेमाल अक्सर गणना करने के लिए किया जाता है जिसे पीछे की संभावना कहा जाता है। पीछे की संभावना भविष्य की अनिश्चित घटना की सशर्त संभाव्यता है जो ऐतिहासिक दृष्टि से संबंधित सबूतों पर आधारित है। दूसरे शब्दों में, यदि आप नई जानकारी या सबूत प्राप्त करते हैं और आपको एक घटना की संभावना को अद्यतन करने की आवश्यकता है, तो आप इस नई संभावना का अनुमान लगाने के लिए Bayes प्रमेय का उपयोग कर सकते हैं। सूत्र है: पी (ए) एक होने वाली होने की संभावना है, और इसे पूर्व संभावना कहा जाता है। पी (एबी) ए की एक सशर्त संभावना है कि बी होता है। यह बी पर अपनी चर निर्भरता के कारण पीछे की संभावना है। यह मानता है कि ए बी के स्वतंत्र नहीं है बी (बीए) बी की सशर्त संभावना है कि ए होता है। पी (बी) बी होने की संभावना है। यदि हम किसी ऐसी घटना की संभावना में रुचि रखते हैं जिसमें हमारे पास पूर्व टिप्पणियां हैं तो हम इसे पूर्व संभावना कहते हैं। अच्छी तरह से इस घटना की घटना ए, और इसकी संभावना पी (ए) समझे अगर कोई दूसरी घटना है जो पी (ए) को प्रभावित करती है, जो कि ईवेंट बी को अच्छी तरह से कॉल करती है, तो हम यह जानना चाहते हैं कि ए की संभावना बी हुई है। संभाव्य संकेतन में यह पी (एबी) है, और इसे पीछे की संभावना या संशोधित संभावना के रूप में जाना जाता है। ऐसा इसलिए है क्योंकि मूल घटना के बाद यह हुआ है, इसलिए पोस्टर में पोस्ट किया गया है। इस तरह से Bayes प्रमेय विशिष्ट रूप से हमें नई जानकारी के साथ हमारे पिछले विश्वासों को अपडेट करने की अनुमति देता है। नीचे दिए गए उदाहरण आपको यह समझने में सहायता करेंगे कि यह एक इक्विटी मार्केट अवधारणा के भीतर शामिल करते हुए यह कैसे काम करता है। एक उदाहरण बताता है कि हम यह जानना चाहते हैं कि ब्याज दरों में बदलाव शेयर बाजार सूचकांक के मूल्य को कैसे प्रभावित करेगा। सभी प्रमुख शेयर बाजार अनुक्रमितों में ऐतिहासिक डेटा उपलब्ध हैं, इसलिए आपको थोड़ा सा अनुसंधान के साथ इन घटनाओं के परिणामों को ढूँढने में कोई समस्या नहीं होनी चाहिए। हमारे उदाहरण के लिए हम यह पता लगाने के लिए नीचे दिए गए डेटा का उपयोग करेंगे कि कैसे एक शेयर बाजार सूचकांक ब्याज दरों में वृद्धि के बारे में प्रतिक्रिया करेगी। पी (एसआई) शेयर सूचकांक की बढ़ती पी (एसडी) की संभावना शेयर सूचकांक की संभावना पी कम हो रही है (ब्याज दरों में वृद्धि की संभावना पी) कम ब्याज दरों की संभावना बढ़ रही है तो समीकरण होगा: इस प्रकार हमारी संख्या में हमारे उदाहरण को छूने के लिए हम मिलते हैं: तालिका में आप देख सकते हैं कि 2000 के अवलोकन से, 1150 उदाहरणों से पता चलता है कि स्टॉक इंडेक्स में कमी आई है। यह ऐतिहासिक डेटा पर आधारित पूर्व संभावना है, जो इस उदाहरण में 57.5 (11502000) है। यह संभावना ब्याज दरों के बारे में किसी भी जानकारी को ध्यान में नहीं रखती है, और जिसे हम अपडेट करना चाहते हैं ब्याज दरों में बढ़ोतरी की जानकारी के साथ इस पूर्व संभावना को अद्यतन करने के बाद हमें शेयर बाजार की संभावना को अद्यतन करने के लिए 57.5 से 95 तक कम करने की ओर अग्रसर होता है। 95 पीछे की संभावना है। Bayes प्रमेय के साथ मॉडलिंग जैसा कि ऊपर देखा गया है, हम ऐतिहासिक डेटा के परिणामों का उपयोग कर सकते हैं, जिनके आधार पर हम नए अद्यतन संभावनाओं को प्राप्त कर सकते हैं। इस उदाहरण को व्यक्तिगत कंपनियों को अपने स्वयं के बैलेंस शीट्स में बदल दिया जा सकता है। बांडों को क्रेडिट रेटिंग में दिए गए परिवर्तन और कई अन्य उदाहरण (जानें कैसे हमारे लेख में बैलेंस शीट का विश्लेषण करने के लिए, बैलेंस शीट को तोड़ना।) तो क्या होगा अगर कोई सटीक संभावनाओं को नहीं जानता है, लेकिन इसका केवल अनुमान है, यह वह जगह है जहां विषयवादियों का विचार दृढ़तापूर्वक खेलने में आता है। बहुत से लोगों ने अपने क्षेत्र में विशेषज्ञों द्वारा दिए गए अनुमानों और सरलीकृत संभावनाओं में बहुत विश्वास किया है, यह हमें वित्तीय पूर्वानुमान में उन अनिवार्य बाधाओं द्वारा शुरू किए गए नए और अधिक जटिल सवालों के नए आवेक्षकों को आत्मविश्वास से प्रस्तुत करने की महान क्षमता भी देता है। इन सड़क के ब्लॉकों पर काबू पाने के लिए साधारण संभावना पेड़ों का अनुमान लगाने या उपयोग करने के बजाय, अब हम बैयेस प्रमेय का उपयोग कर सकते हैं यदि हमारे पास सही जानकारी है जिसके लिए शुरू करना है (देखें विश्लेषक भविष्यवाणियां कुछ शेयरों के लिए वर्तनी आपदा के लिए खराब भविष्यवाणी के प्रभावों के बारे में पढ़ने के लिए।) अब जब हमने Bayes प्रमेय को सही तरीके से गणना करने का सीखा है, तो अब हम यह सीख सकते हैं कि यह वित्तीय मॉडलिंग में कहां लागू किया जा सकता है। अन्य, और अधिक स्वाभाविक जटिल व्यवसाय विशिष्ट, पूर्ण पैमाने पर उदाहरण प्रदान नहीं किए जाएंगे, लेकिन जहां Bayes प्रमेय का उपयोग करने के तरीके और कैसे होगा ब्याज दरें बदलने से विशेष परिसंपत्तियों के मूल्य को भारी रूप से प्रभावित किया जा सकता है संपत्ति का बदलते मूल्य इसलिए विशेष रूप से लाभप्रदता और दक्षता अनुपात के मूल्य को प्रभावित कर सकता है जो किसी कंपनी के प्रदर्शन को प्रॉक्सी करता है। अनुमानित संभाव्यता ब्याज दरों में व्यवस्थित परिवर्तनों से संबंधित व्यापक रूप से मिलती है और इसलिए बैयेस प्रमेय में प्रभावी रूप से उपयोग किया जा सकता है। एक अन्य अवसर जहां हम अपनी नई प्रक्रिया को लागू कर सकते हैं, कंपनी की शुद्ध आय स्ट्रीम में है। कानून, कच्चे माल की कीमतों में बदलाव और कई अन्य चीजें किसी कंपनी की शुद्ध आय के मूल्य को भारी प्रभाव डाल सकती हैं। इन कारकों से संबंधित प्रायिकता अनुमानों का उपयोग करके, हम बेहेस प्रमेय पर विचार कर सकते हैं कि हमारे लिए क्या ज़रूरी है एक बार जब हमें अनुमानित संभावनाएं मिलेंगी जो हम चाहते हैं कि यह हमारी संभाव्यता का मौद्रिक रूप से परिमाण के लिए गणितीय प्रत्याशा और परिणाम पूर्वानुमान की एक साधारण अनुप्रयोग है निष्कर्ष समाप्त करने के लिए, हमने पाया कि संबंधित संभावनाओं के असंख्य का उपयोग करके हम एक साधारण सूत्र के साथ जटिल प्रश्नों के उत्तर का आकलन कर सकते हैं। इन पद्धतियों को अच्छी तरह से स्वीकार किया जाता है और समय परीक्षण किया जाता है, वित्तीय मॉडलिंग में उनका उपयोग बहुत उपयोगी और लाभप्रद हो सकता है यदि उन्हें ठीक से लागू किया गया हो। एक और भविष्यवाणी तकनीक पर आगे पढ़ने के लिए, मल्टीइवेरेट मॉडेल्स को देखें: मोंटे कार्लो विश्लेषण