Математика неопределенности: Мартингалы, цепи Маркова и основы регрессионного анализа 0:16
В рамках шестой лекции курса MIT OpenCourseWare по стохастическим процессам профессор Питер Кемпторн представил глубокий аналитический обзор методов математического моделирования случайных величин во времени. Лекция охватывает три фундаментальные темы: мощный аппарат мартингалов для решения задач теории вероятностей, использование цепей Маркова для анализа динамических состояний и основы регрессионного анализа в контексте временных рядов.
📈 Элегантность мартингалов 0:16
Мартингалы представляют собой стохастические процессы, в которых будущее ожидаемое значение величины совпадает с её текущим значением, что отражает «плоскостность» ожиданий. Профессор Кемпторн подчеркивает, что этот инструмент позволяет решать сложные задачи, которые иначе потребовали бы громоздких вычислений.
- Базовые примеры: Простейшим примером является случайное блуждание, где среднее значение будущих путей равно текущей точке. Более сложная конструкция — процесс, где квадрат случайного блуждания за вычетом дисперсии шагов также является мартингалом.
- Теорема о мартингальном преобразовании: Позволяет трансформировать один мартингал в другой, используя «непредугадывающие» (non-anticipating) переменные, зависящие только от доступной на данный момент информации.
- Задача о разорении игрока: С помощью мартингалов можно элегантно вычислить вероятность достижения уровня «A» до разорения (уровня «-B»). При равных шансах вероятность успеха равна $B / (A + B)$.
- Случай с «смещенным» блужданием: В условиях неравных вероятностей успеха и неудачи (p ≠ q) мартингалы позволяют получить решение через производящую функцию моментов, что значительно проще традиционного анализа.
⛓️ Цепи Маркова: Будущее зависит только от настоящего 36:38
Процесс Маркова характеризуется тем, что будущее состояние системы определяется исключительно текущим значением, независимо от пути, которым система к нему пришла. Это упрощает построение вероятностных моделей, сводя их к матрицам переходов.
- Стационарные процессы: Если вероятности перехода между состояниями не зависят от времени, система описывается матрицей $P$, где сумма вероятностей по строкам равна 1.
- Анализ кредитных рейтингов: Корпоративные рейтинги (от AAA до дефолтного D) — классический пример использования цепей Маркова для оценки вероятности перехода компании из одной категории в другую в течение года.
- Биржевые динамики: Профессор демонстрирует, как с помощью R-пакета
Markov chainможно моделировать движение акций (например, Apple), определяя состояния как последовательности «роста» и «падения» котировок за несколько дней. Графическое представление таких моделей позволяет визуализировать вероятности смены трендов.
📊 Регрессионный анализ и прогнозирование
Регрессия в данном курсе рассматривается не только как инструмент поиска причинно-следственных связей, но и как мощный механизм прогнозирования временных рядов.
- Линейность параметров: Ключевым свойством модели является линейная зависимость прогнозируемого значения от коэффициентов $\beta$, что позволяет применять методы линейной алгебры для оценки параметров.
- Авторегрессия: При анализе кредитных спредов облигаций выяснилось, что использование прошлых значений ряда (авторегрессия) дает практически идеальное соответствие данным (коэффициент детерминации $R^2 = 0.995$), превосходя методы полиномиальной аппроксимации и ряды Фурье.
- Проверка допущений: Кемпторн настаивает на необходимости проверки условий Гаусса-Маркова (среднее ошибки равно 0, постоянная дисперсия, отсутствие корреляции ошибок). Если допущения нарушаются, модель требует пересмотра и адаптации.
