貝葉斯用錯了地方 Value-hunter
http://blog.sina.com.cn/s/blog_7b56dde00101hwnm.html下面是用貝葉斯來推斷市場波動，玩笑開大了。
一是先驗概率無法設定，二是likelyhood也無法拿捏，期望在噪音中
發現信號，到頭來瞎忙乎一場。
文/鄭娜編譯
概率規劃（ProbabilisticProgramming,又稱為貝葉斯統計）可以通過靈活構建統計模型來洞察數據中的規律。估計最佳的擬合參數，以及這些估計的不確定性，可以通過自動採樣算法，如馬爾科夫鏈蒙特卡洛（Markovchain MonteCarlo，MCMC）來自動實現。這些方法的可解釋性和靈活性已經導致科學領域的巨大轉變——從認知科學到數據科學。本文將重點介紹概率規劃能為算法交易者提供什麼。
貝葉斯統計有很多優點，與定量金融最相關的，還是對於潛在的、難以察覺的過程以及它們與可觀察事件之間的關係進行建模的靈活性。作為一個例子，我們可以對投資者的恐慌情緒進行建模。雖然我們不能直接衡量它，但是可以肯定它會對市場行為和股票價格產生影響。
貝葉斯公式允許我們向後進行推斷：給定可觀察到的數據（如，股票價格），判斷潛在變量（如，投資者恐慌）出現的概率是多少？
隨機波動模型(Stochastic volatilitymodel)
關於如何利用概率規劃推斷股票市場不可觀測變量的一個很好的例子就是隨機波動模型。波動率是定量金融裡面一個非常重要的概念，因為它與風險相關。不幸的是，托尼•庫珀提醒我們：「波動率是一個很奇怪的東西——它確實存在但又無法被度量。」如果無法度量，那下一步我們最好就是對它嘗試進行建模。這樣做的一個方法是在隨機波動概念的概率框架下進行。如果我們假設回報是服從正態分佈的，那麼波動率可以通過正態分佈的標準差來獲得。標準差引起隨機波動。直覺上，我們會認為類似於像2008年市場崩盤的動盪期，標準差應該是非常高的。
因此，一件繁瑣的事情就是跟蹤回報的標準差。但這通常並非讓人滿意，原因有多重：（1）滯後性；（2）相當不穩定；（3）強烈依賴於時間窗口大小，而且沒有可遵循的原則來選擇窗口大小。
這些特徵在下圖中被清楚體現。窗口越大，越滯後；窗口越小，估計的穩定性越差。