贝叶斯模型要点.docVIP

贝叶斯学习模型 一、学习问题的原理：令随机变量V表示资产价值，每个交易者对此都有一个先验概率，我们将这一先验概率看作是V=x的概率。然后交易者会观察到一些数据（例如一笔交易），并且在这些数据的基础上计算事件V=x发生的条件概率。这一条件概率是后验概率，其包含了他对交易观察得到的新信息。这一后验值变成新的先验值，他观察更多的数据，并将这一调整过程继续下去。 二、贝叶斯定理：通过观察到的数据确定一个事件的概率，需要知道两个信息， 和，在此基础上用观察到的数据确定某一事件发生的后验概率的调整公式为：另一种表述方式： 例子：假设做市商认为资产的价值不是高就是低，即，其中表示高价值，表示低价值，并且出现低价值的概率是。现在发生了一笔买或卖的交易。 问题一：当我们观察到一笔交易（或者）时，还需要知道什么，才能确定后验概率 （以卖为例） 根据贝叶斯定理 假设：，，并且不知情交易者买或卖的可能性相等(由于我们是根据订单流进行学习，所以知情交易者和不知情交易者的交易倾向很重要) 分析：如果，那么知情交易者得知这个坏消息，卖出的概率为1，不知情交易者卖出的概率为，知情和不知情交易者的数量各为一半，所以 ， 同样的方法可以求得，代入上式就可确定。 同理可确定 做市商该如何报价？在做市商观察到买入和卖出行为发生后，对都有一个估计。因此，做市商的买卖报价分别是：发 问题二：假设确实发生了买入行为，并知道这一交易发生在,做市商如何确定下一轮的报价？即将这一轮的报价当作新的先验概率，计算 同样地，根据贝叶斯定理可得： 三、动态贝叶斯定理 由于价格的变动与做市商对潜在信息的获取有关，所以会存在以下问题：价格会怎样变化？（会收敛？还是随机漫步？）；如果价格收敛，需要多长时间？（价格收敛的速度） 为了解决上述问题，需对一段时间内的价格调整过程进行分析（对于第一个问题，假设事件发生，证明后验概率具有收敛性的话，只需证明发生的后验概率等于0）： 令 其中，B,S分别表示买入和卖出。 同样可以写出的值，于是后验概率的相对值为： 对上式取对数得： 两边除以总次数，并令b+s趋于 如果，买入和卖出的比例分别为。于是，上式 a.s.（负熵，熵是对概率间距离的一种衡量） 于是，得到 a.s. 第二个问题：价格收敛的速度问题。 因为交易是顺次发生的，而且每期只进行一笔交易，代表时间，代替，则： 则以的速度指数收敛于零。 四、连续分布随机变量的贝叶斯学习过程 假设我们有变量μ的先验预期,其密度函数为g(μ)。我们观察一个独立同分布的随机变量x。给定μ，x的条件密度记为f(x|μ)。则给定x的观察值，我们确定μ的后验分布。由 对连续分布我们有： 这就是连续分布随机变量条件下的贝叶斯定理。 该定理的一个具体应用： 若g(μ)的分布是 ，f(x|μ)的分布是 则g(μ|x)的分布是 从这个例子中可以看到： 后验预期服从正态分布 从后验分布的均值可以看出，本质上是对先验预期和观察信号的精确度进行加权。 推广到多次观察信号，即从中进行T次独立抽取后，后验预期为 运用强大数定理，后验预期的均值收敛于，方差收敛于零。 序贯交易模型 GM模型假设 假设市场上存在唯一的风险资产，资产的价值不确定，但其最终价值只可能出现两种情况，即，其中表示高价值，表示低价值，并且出现低价值的概率是。 假定做市商和所有的市场参与者（有知情的（用表示）和不知情的（用表示），其中只有知情交易者事先知道风险资产的最终价值（或价值的实现值），并且知情交易者占总交易者的比例为）都是风险中性并且相互竞争，交易者仅交易1单位的资产。既不存在佣金和税收，也不存在存货成本。 做市商在交易开始前对风险资产进行买卖报价（分别用和表示卖价和买价），交易者序贯（sequential）（序贯的意思是指交易者被做市商随机抽中与之进行交易，并且每次只能交易一个单位的资产）到达市场。对知情交易者而言，如果风险资产的最终价值是高价值，则他们选择买入（）；如果风险资产的最终价值是低价值，则他们选择卖出（）。对不知情交易者而言，因不知道资产的最终价值，只能随机进行买卖，即买卖的概率相等。 由于交易顺序进行，每一个交易者都可以在任何时点上进行交易，如果价格不能完全反映信息，那么知情交易者就可以从交易中获利，因此他们会尽可能多并尽可能频繁地交易。这类行为将很快反映其所获信息，做市商也将很快调整价格以反映这些信息。为了避免这种信息立刻暴露，假定交易者按一定的概率被抽取出来进行交易，而且一旦被抽中，每一个交易者只能交易至多只能交易1单位的资产，如果某一交易者还想继续交易，就必须返回交易群中，然后等待再一次被抽取。这种按概率抽取的方法使得做市商面对的交易群体和潜在的交易群完全一致。 既然每一个做市商都从