Anda tidak perlu tahu banyak tentang teori kebarangkalian untuk menggunakan model kemungkinan Bayesian untuk ramalan kewangan. Kaedah Bayesian dapat membantu anda memperbaiki anggaran kebarangkalian menggunakan proses intuitif.
Mana-mana topik berasaskan matematik boleh dibawa ke kedalaman rumit, tetapi ini tidak perlu.
Bagaimana Ia Digunakan
Cara kebarangkalian Bayesian digunakan dalam korporat Amerika bergantung kepada tahap kepercayaan daripada frekuensi sejarah peristiwa serupa atau serupa. Modelnya serba boleh, walaupun. Anda boleh memasukkan kepercayaan anda berdasarkan frekuensi ke dalam model.
Berikut ini menggunakan peraturan dan pernyataan dari sekolah pemikiran dalam kebarangkalian Bayesian yang berkaitan dengan kekerapan dan bukan subjektiviti. Pengukuran pengetahuan yang diukur berdasarkan data sejarah. Pandangan ini sangat berguna dalam pemodelan kewangan.
Mengenai Teorema Bayes
Formula tertentu dari kebarangkalian Bayesian yang akan kita gunakan disebut Bayes 'Theorem, kadang-kadang dipanggil formula Bayes atau aturan Bayes. Peraturan ini paling sering digunakan untuk mengira apa yang disebut kebarangkalian posterior. Kebarangkalian posterior adalah kebarangkalian bersyarat peristiwa tidak pasti masa depan yang berdasarkan bukti relevan yang berkaitan dengannya secara sejarah.
Dalam erti kata lain, jika anda memperoleh maklumat atau bukti baru dan anda perlu mengemas kini kebarangkalian peristiwa yang berlaku, anda boleh menggunakan Bayes 'Theorem untuk menganggarkan kebarangkalian baru ini.
Rumusannya ialah:
Ku P (A|B) = P (B) P (A∩B) = P (B) P (A) × P (B|A) di mana: P (A) = Kebarangkalian A yang berlaku, probabilityP (A|B) = Kebarangkalian bersyarat A giventhat B terjadiP (B|A) = Kebarangkalian bersyarat B giventhat A terjadiP (B) = Kemungkinan B yang berlaku
P (A | B) ialah kebarangkalian posterior kerana kebergantungan berubah-ubah pada B. Ini mengandaikan bahawa A tidak bebas daripada B.
Sekiranya kita berminat dengan kebarangkalian peristiwa yang mana kita mempunyai pemerhatian yang lebih awal; kami panggil ini kebarangkalian sebelum ini. Kami akan menganggap peristiwa ini A, dan kebarangkaliannya P (A). Sekiranya terdapat peristiwa kedua yang memberi kesan kepada P (A), yang akan kita panggil peristiwa B, maka kita ingin mengetahui kebarangkalian A diberi bahawa B telah berlaku.
Dalam notasi probabiliti, ini adalah P (A | B) dan dikenali sebagai kebarangkalian posterior atau kebarangkalian yang disemak semula. Ini kerana ia telah berlaku selepas peristiwa asal, maka pos di posterior.
Ini adalah bagaimana teorem Bayes unik membolehkan kami mengemas kini kepercayaan kami sebelum ini dengan maklumat baru. Contoh di bawah ini akan membantu anda melihat bagaimana ia berfungsi dalam konsep yang berkaitan dengan pasaran ekuiti.
Satu contoh
Katakan kita ingin tahu bagaimana perubahan kadar faedah akan mempengaruhi nilai indeks pasaran saham.
Data sejarah yang luas tersedia untuk semua indeks pasaran saham utama, jadi anda sepatutnya tidak mempunyai masalah mencari hasil untuk acara ini. Sebagai contoh, kami akan menggunakan data di bawah untuk mengetahui bagaimana indeks pasaran saham akan bertindak balas terhadap kenaikan kadar faedah.
Di sini:
P (SI) = kebarangkalian indeks saham meningkat
P (SD) = kebarangkalian indeks saham menurun
P (ID) = kebarangkalian penurunan kadar faedah
P (II) = kebarangkalian kenaikan kadar faedah
Maka persamaannya akan:
Ku P (SD|II) = P (II) P (SD) × P (II|SD)
Pemadam dalam nombor kami mendapat yang berikut:
Ku P (SD|II) = (2, 0001, 000) (2, 0001, 150) × (1, 150950) = 0.50.575 × 0.826 = 0.50.47495 = 0.9499≈95% Ku
Jadual menunjukkan, indeks saham menurun dalam 1, 150 daripada 2, 000 pemerhatian. Ini adalah kemungkinan terdahulu berdasarkan data sejarah, yang dalam contoh ini ialah 57.5% (1150/2000).
Kebarangkalian ini tidak mengambil kira apa-apa maklumat tentang kadar faedah dan adalah yang kami ingin mengemaskini. Selepas mengemas kini kebarangkalian sebelum ini dengan maklumat bahawa kadar faedah telah meningkat membawa kita untuk mengemas kini kebarangkalian pasaran saham berkurangan daripada 57.5% kepada 95%. Oleh itu, 95% adalah kebarangkalian posterior.
Model dengan Teorem Bayes
Seperti yang dilihat di atas, kita boleh menggunakan hasil data sejarah untuk mendasarkan kepercayaan yang kita gunakan untuk mendapatkan kebarangkalian yang baru dikemas kini.
Contoh ini boleh diekstrapolasi kepada syarikat individu dengan menggunakan perubahan dalam kunci kira-kira mereka sendiri, bon yang diberi perubahan dalam penarafan kredit, dan banyak contoh lain.
Jadi, bagaimana jika seseorang tidak mengetahui kebarangkalian yang tepat tetapi hanya mempunyai anggaran? Di sinilah pandangan subjektif datang dengan kuat ke dalam permainan.
Ramai orang memberi penekanan kepada anggaran dan kebarangkalian mudah yang diberikan oleh pakar dalam bidang mereka. Ini juga memberi kita keupayaan untuk mempercepatkan membuat anggaran baru untuk soalan baru dan lebih rumit yang diperkenalkan oleh sekatan jalan yang tidak dapat dielakkan dalam ramalan kewangan.
Daripada meneka, kita boleh menggunakan Teorema Bayes jika kita mempunyai maklumat yang betul untuk memulakannya.
Bila Menerapkan Teorem Bayes
Menukar kadar faedah boleh memberi kesan besar kepada nilai aset tertentu. Oleh itu, perubahan nilai aset dapat mempengaruhi nilai keuntungan dan rasio efisiensi tertentu yang digunakan untuk proksi kinerja perusahaan. Anggaran kebarangkalian didapati secara meluas berkaitan dengan perubahan sistematik dalam kadar faedah dan dengan demikian dapat digunakan dengan berkesan dalam Teorema Bayes.
Kita juga boleh menggunakan proses ini untuk aliran pendapatan bersih syarikat. Tindakan undang-undang, perubahan harga bahan mentah, dan banyak perkara lain boleh mempengaruhi pendapatan bersih syarikat.
Dengan menggunakan anggaran kebarangkalian yang berkaitan dengan faktor-faktor ini, kita boleh menggunakan Teorem Bayes untuk mengetahui apa yang penting kepada kita. Sebaik sahaja kita mencari kebarangkalian yang disimpulkan yang kita cari, ia adalah penerapan mudah dari jangkaan matematik dan ramalan hasil untuk mengukur kebarangkalian kewangan.
Menggunakan pelbagai kemungkinan yang berkaitan, kita boleh menyimpulkan jawapan kepada soalan yang agak rumit dengan satu formula mudah. Kaedah-kaedah ini diterima dengan baik dan diuji masa. Penggunaan mereka dalam model kewangan boleh membantu jika digunakan dengan betul.
