Olasılıksal tahmin tek bir sayı yerine olası sonuçların bir dağılımını — örneğin çevresinde kalibre edilmiş bir aralık bulunan bir medyan getiriyi — tahmin eder; böylece tahmin ne kadar belirsiz olduğunu söyler ve bu belirsizlik ölçülüp pozisyon büyüklüğünün belirlenmesinde kullanılabilir.
Neden önemli
Belirsizliği belirtilmemiş bir tahmin boyutlandırılamaz: yüksek güvenle tutulan %2'lik bir görüş ile gürültüden zor ayırt edilen bir görüş çok farklı pozisyonlar gerektirir.
Nasıl çalışır
Yaygın yöntemler arasında kantil regresyonu, birleşik modeller ve aralıkları ayrılmış veride kalibre eden konformal tahmin (conformal prediction) vardır; örneğin %90'lık bir aralık sonucu zamanın yaklaşık %90'ında içerir. Kalibrasyon sürekli kontrol edilir.
Opulence Alpha nasıl uygular
Opulence Alpha tahminleri birkaç ufuk için dağılım olarak yayımlar; aralıklar konformal kantil regresyonuyla kurulur ve model sesleri gerçekleşen beceriye göre yeniden ağırlıklandırılan çevrim içi birleştirmeyle bir araya getirilir.
Bugünün içsel değer tablosu →İlgili kavramlar
Sorular
Tahmin kalibrasyonu nedir?
- Öngörülen olasılıkların sonuçlarla örtüşüp örtüşmediği: %70 olasılıkla öngörülen olaylar zamanın yaklaşık %70'inde gerçekleşmelidir.
Konformal kantil regresyonu nedir?
- Kantil modelleri kurup aralıklarını ayrılmış veride, belirtilen kapsama ulaşacak şekilde ayarlayan bir yöntem (Romano, Patterson ve Candès, 2019).
Tahmin isabeti neden yetmez?
- Çünkü isabet, belirsizlik ya da tahminin farklı piyasa rejimlerinde nasıl davrandığı hakkında hiçbir şey söylemez; pozisyon büyüklüğünün belirlenmesinin ihtiyacı budur.
Opulence Alpha hisse getirilerini farklı ufuklarda nasıl tahmin eder?
- Çok ufuklu tahminle: 1, 5, 21 ve 63 işlem günü, her biri kalibre edilmiş bir aralıkla. Gradyan artırmalı ağaçlar, dizi modelleri ve kantil modellerin bir meta-öğrenici tarafından birleştirildiği çok modelli, belirsizliği hesaba katan bir tahmindir; böylece her olasılıksal hisse tahmini kendi model belirsizliğini belirtir. Bu tahmin modelleri araştırmadır, tavsiye değildir.
Kaynaklar
- Romano, Y., Patterson, E. & Candès, E. (2019). Conformalized Quantile Regression. NeurIPS.
- Wintenberger, O. (2017). Optimal learning with Bernstein Online Aggregation. Machine Learning.
Araştırma yöntemleri hakkında eğitim içeriğidir. Yatırım tavsiyesi değildir.