Upload
others
View
4
Download
0
Embed Size (px)
Citation preview
Nem-paraméteres predikció, Lasso közelítés
Szabó Zoltán, Lorincz András
Problémamegoldó Szeminárium
2009. nov. 12
Szabó Zoltán, Lorincz András Nem-paraméteres predikció, Lasso közelítés
Motiváció
Pénzügyi id osorok elemzése (Morgan-Stanley) :Fedezési eljárások optimalizációja ↔ Lasso,
Opció árazás: nem-paraméteres úton ↔ kernel regresszió.
Funkcionális AR folyamat analízis („koktél parti”probléma) ↔ identifikáció: kernel regresszió,Nadaraya-Watson becslo.
Szabó Zoltán, Lorincz András Nem-paraméteres predikció, Lasso közelítés
Lasso: motiváció
Befektetési bankok (pl. MS) központi célja:állományuk folyamatos fedezése (hedge-elése), azaz
illiquid termékeik értékének becslése,piacon elérheto (liquid) termékekhez való lekötése,a folyamatosan fennálló kockázatok ellenére (incompletepiac).
a hozzájuk befutó „ügyfél faramuci termék kívánságainak”kielégítése:
Cél: olyan portfolio kialakítása, ami a kívánt termékkelazonos kifizetést ad.
Szabó Zoltán, Lorincz András Nem-paraméteres predikció, Lasso közelítés
Lasso: regularizáció, ritkaság
Gyakorlatban a közelíto idosorok erosen kollineárisrendszert alkotnak ⇒ rosszul kondícionált rendszerek,instabil megoldás.
Ötlet:regularizációs technikák alkalmazása:
simaságot/egyértelmuséget biztosít.
ritka reprezentáció:tranzakciós költség által is motivált,stabil Markowitz portfoliok elmélete.
Szabó Zoltán, Lorincz András Nem-paraméteres predikció, Lasso közelítés
Lasso: modell
Lasso modell (lineáris egyenletrendszer ritkaságikényszerekkel):
J1(x) = ‖Ax − b‖2 + λ ‖x‖1 (λ > 0) → minx
, (1)
ahol:
A: közelíto termékek (portfolio),
b: közelített termék,
λ ‖x‖1: regularizációs tag, tranzakciós költség (λ: bid-askspread),
Szabó Zoltán, Lorincz András Nem-paraméteres predikció, Lasso közelítés
Lasso: portfolio újraalakítás
Portfolio újra alakításakor: kevés fedezo változó (súlyát)szeretnénk változtatni, Lasso megfogalmazásban:
J2(∆x) =∥
∥A′(x + ∆x) − b′∥
∥
2+ λ ‖∆x‖1 → min
∆x, (2)
ahol
A′, b′: új idoszakhoz tartozó értékek,
x′ = x + ∆x: módosított súlyok.
Szabó Zoltán, Lorincz András Nem-paraméteres predikció, Lasso közelítés
Nem-paraméteres módszerek: Motiváció
Regressziós megfogalmazás:
x ∈ Rd1 7→ y ∈ R
d2 (3)
közt fennálló relációt szeretnénk megtanulni{(x i , y i)}i=1,...,n minták alapján.Példák:
Különbözo típusú házak mennyit érnek:
(NO2, bunözési ráta, szobák száma,. . . ) 7→ érték. (4)
muhold képek (spektrális suruségfüggvény integrálja kül.sávokban) 7→ egységnyi területre eso búza/kukoricatermés,opció árazás,koktél parti feladatok.
Szabó Zoltán, Lorincz András Nem-paraméteres predikció, Lasso közelítés
Nem-paraméteres módszerek: Opció árazás
Call (put) opció: jog arra, hogy T ido múlva K áronvehetek (eladhatok) adott terméket.
Kérdés: mennyit ér ez az opció? Azaz
C(t , T , St , K , rt,T , dt,T ) =?, (5)
aholSt : a mögöttes termék aktuális ára,rt,T : kockázatmentes hozam,dt,T : osztalék.
Szabó Zoltán, Lorincz András Nem-paraméteres predikció, Lasso közelítés
Nem-paraméteres módszerek: Black-Scholes
Speciális paraméteres modell feltevések esetén: Cexplicite számolható, pl Black-Scholes esetben
CBS(·) = Ste−dt,T (T−t)φ(b1) − Ke−rt,T (T−t)φ(b2), (6)
b1 =ln(St/K ) + (rt,T − dt,T + σ2/2)(T − t)
σ√
T − t, (7)
b2 = b1 − σ√
T − t , (8)
ahol φ a standard normális eloszlás eloszlásfüggvénye.
Gond: amennyiben nem teljesül a modell feltevésük,erosen félreáraznak. ⇒Motivált: C nem-parametrikus becslése/közelítése.
Szabó Zoltán, Lorincz András Nem-paraméteres predikció, Lasso közelítés
Nem-paraméteres módszerek: ISA–szemlélet
Koktél parti probléma:Szereplok:
beszélok (rejtett források)–független csoportokbatömörülhetnek,mikrofonok (szenzorok).
Feladat (ISA, Independent Subspace Analysis): kevertjelekbol az eredeti források becslése.
Szabó Zoltán, Lorincz András Nem-paraméteres predikció, Lasso közelítés
Nem-paraméteres módszerek: ISA modell
ISA modell:x t = Aet , (9)
ahole = [e1; . . . ; eM ] forrás:
em ∈ Rdm komponensei nem-Gaussok és idoben i.i.d.-k,
függetlenek: I(e1, . . . , eM) = 0.
az A ∈ RD×D keveromátrix invertálható.
Cél: x -bol W = A−1 becslése, e.
Alkalmazások: orvosi adatok (EEG, fMRI, ECG)elemzése, arcirány felismerés, gén analízis,
Szabó Zoltán, Lorincz András Nem-paraméteres predikció, Lasso közelítés
Nem-paraméteres módszerek: AR-ISA, fAR-ISA
Valóságosabb modell: s forrásnak van dinamikája, pl AR:
x t = As t , (10)
s t =∑Ls
i=1Fis t−i + et , (11)
ahol e mint ISA-ban. Spec.: Ls = 0-ra ISA.
Kiterjesztés (dinamika családja is ismeretlen),funkcionális AR-ISA (fAR-ISA):
x t = As t , (12)
s t = f(s t−1) + et , (13)
aholf: ismeretlen függvény; e = [e1; . . . ; eM ], mint ISA-ban.Cél: x-bol W = A−1 becslése, s, e.
Szabó Zoltán, Lorincz András Nem-paraméteres predikció, Lasso közelítés
Nem-paraméteres módszerek: fAR-ISA megoldás
Megoldási stratégia:st funkcionális AR, xt = As t ⇒ xt is funkcionális AR
xt = Af(A−1xt−1) + Aet , (14)
Ae meghajtó zajjal és f(·) → Af(A−1·).d-függo CHT ⇒ Ae közelítoleg Gauss,e komponenseinek fgtlenek, így egy fAR fittelo adtaAe-becslésen ISA-zással kész lennénk.
Kerestetik: fAR becslo.
Szabó Zoltán, Lorincz András Nem-paraméteres predikció, Lasso közelítés
Nem-paraméteres módszerek: fAR becslo
Elozo diáról: x funkcionális AR
x t = Af(A−1x t−1) + Aet . (15)
Ötlet: tanuljuk meg ezt az x t−1 7→ x t összefüggéstnem-parametrikus regresszióval, azaz
y i = g(x i) + n i (i = 1, . . . , T ), g(·) =?, (16)
ahol
y/x/n: válasz-/magyarázó változó; zaj
g: ismeretlen feltételes várható érték fg,
{(x i , y i)}Ti=1: mintapontok.
Szabó Zoltán, Lorincz András Nem-paraméteres predikció, Lasso közelítés
Nem-paraméteres módszerek: kernel regresszió
Nem-paraméteres regresszió kernelekkel = kernelregresszió , pl Nadaraya-Watson becslo:
Ötlet: az g(X) = E [Y|X] ismeretlen várható érték fg-t a(x, y), x eloszlások kernel suruségfg becslésébolközelítjük.
Az adódó formula
g(x) =
∑Ti=1 y iK
( x−x ih
)
∑Ti=1 K
( x−x ih
), (17)
aholK : kernel (=suruségfg; pl Gauss),h: szélesség paraméter.
Szabó Zoltán, Lorincz András Nem-paraméteres predikció, Lasso közelítés
Nem-paraméteres módszerek: rekurzív NW
Ismert: A rekurzív Nadaraya-Watson technika (igenáltalános feltételek mellett) erosen konzisztens becsléstszolgáltat funkcionális AR folyamatokra
Ref.: Nadine Hilgert, Bruno Portier: Strong uniformconsistency and asymptotic normality of a kernel basederror density estimator in functional autoregressive models,arXiv, 2009.
Megoldási út:1 Funkcionális-AR fit (Nadaraya-Watson) a
xt = g(xt−1) + Aet (18)
megfigyelési folyamatra.2 Majd ISA x becsült innovációján ⇒ e, W ⇒ s.
Szabó Zoltán, Lorincz András Nem-paraméteres predikció, Lasso közelítés
Jóságmérce
ISA egyértelmuségek szerint a rejtett forráskomponensek
permutáció, ésés altéren belüli lineáris transzformáció
erejéig állíthatóak vissza. Ideális esetben: s = Wx-benG = WA blokk-permutációs mtx
Blokk-permutációsságra mérce : Amari-indexr(G) ∈ [0, 1]; 0–tökéletes becslés.Statisztikák ábrázolása boxplot-ok:
kvartilisek: Q1, Q2, Q3,kiugró értékek:
6∈ [Q1 − 1.5IQR, Q3 + 1.5IQR],IQR := Q3 − Q1.
Szabó Zoltán, Lorincz András Nem-paraméteres predikció, Lasso közelítés
Illusztráció-1
e [∀dm = dim(em) = 2; D = dim(e) ≤ 12]:
Funkcionális AR becsl o (rekurzív Nadaraya-Watson) ,x ∈ R
D, β ∈ (0, 1/D):
gT (x) =
∑T−1t=1 tβDK [tβ(Xt − x)]Xt+1∑T−1
t=1 tβDK [tβ(Xt − x)](19)
Kernel: Gauss, szélesség (β = 1/Dβc ):βc = 1./[2, 4, 8, 16, 32, 64].f(u) = ‘tanh(Fu)′: F = [Fij ] = [U(0, 1)], tanhi(·):
Szabó Zoltán, Lorincz András Nem-paraméteres predikció, Lasso közelítés
Illusztráció-2
Megfigyelés (x):
Szabó Zoltán, Lorincz András Nem-paraméteres predikció, Lasso közelítés
Illusztráció-2
Megfigyelés (x):
Becslés ( e):
Szabó Zoltán, Lorincz András Nem-paraméteres predikció, Lasso közelítés
Illusztráció-2
Megfigyelés (x):
Becslés ( e):
Hinton-diagram (G = WA):
Szabó Zoltán, Lorincz András Nem-paraméteres predikció, Lasso közelítés
Illusztráció-3: M = 3 (6-dimenziós feladat)
1 2 5 10 20 50 100
10−2
10−1
100
Am
ari−
inde
x (r
)
Mintaszám (T/1000)
βc=1/2
βc=1/4
βc=1/8
βc=1/16
βc=1/32
Szabó Zoltán, Lorincz András Nem-paraméteres predikció, Lasso közelítés
Illusztráció-4: M = 6 (12-dimenziós feladat)
1 2 5 10 20 50 100
10−2
10−1
100
Am
ari−
inde
x (r
)
Mintaszám (T/1000)
βc=1/8
βc=1/16
βc=1/32
βc=1/64
Szabó Zoltán, Lorincz András Nem-paraméteres predikció, Lasso közelítés
Köszönöm a figyelmet!
Szabó Zoltán, Lorincz András Nem-paraméteres predikció, Lasso közelítés