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 idosorok 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 (incomplete piac).
a hozzájuk befutó „ügyfél faramuci termék kívánságainak” kielégítése: Cél: olyan portfolio kialakítása, ami a kívánt termékkel azonos kifizetést ad.
˝ Szabó Zoltán, Lorincz András
Nem-paraméteres predikció, Lasso közelítés
Lasso: regularizáció, ritkaság
˝ ˝ Gyakorlatban a közelíto˝ idosorok erosen kollineáris rendszert 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 ritkasági kényszerekkel): J1 (x) = kAx − bk2 + λ kxk1
(λ > 0) → min, x
(1)
ahol: A: közelíto˝ termékek (portfolio), b: közelített termék, λ kxk1 : regularizációs tag, tranzakciós költség (λ: bid-ask spread),
˝ Szabó Zoltán, Lorincz András
Nem-paraméteres predikció, Lasso közelítés
Lasso: portfolio újraalakítás
Portfolio újra alakításakor: kevés fedezo˝ változó (súlyát) szeretnénk változtatni, Lasso megfogalmazásban:
2 J2 (∆x) = A′ (x + ∆x) − b′ + λ k∆xk1 → min, ∆x
ahol ˝ A′ , b′ : új idoszakhoz tartozó értékek, x′ = x + ∆x: módosított súlyok.
˝ Szabó Zoltán, Lorincz András
Nem-paraméteres predikció, Lasso közelítés
(2)
Nem-paraméteres módszerek: Motiváció Regressziós megfogalmazás: x ∈ Rd1 7→ y ∈ Rd2
(3)
közt fennálló relációt szeretnénk megtanulni {(xi , yi )}i=1,...,n minták alapján. Példák: Különbözo˝ típusú házak mennyit érnek: (NO2 , bunözési ˝ ráta, szobák száma,. . . ) 7→ érték. muhold ˝ képek (spektrális sur ˝ uségfüggvény ˝ integrálja kül. sávokban) 7→ egységnyi területre eso˝ búza/kukorica termés, opció árazás, koktél parti feladatok.
˝ Szabó Zoltán, Lorincz András
Nem-paraméteres predikció, Lasso közelítés
(4)
Nem-paraméteres módszerek: Opció árazás
Call (put) opció: jog arra, hogy T ido˝ múlva K áron vehetek (eladhatok) adott terméket. Kérdés: mennyit ér ez az opció? Azaz C(t, T , St , K , rt,T , dt,T ) =?, ahol St : a mögöttes termék aktuális ára, rt,T : kockázatmentes hozam, dt,T : osztalék.
˝ Szabó Zoltán, Lorincz András
Nem-paraméteres predikció, Lasso közelítés
(5)
Nem-paraméteres módszerek: Black-Scholes
Speciális paraméteres modell feltevések esetén: C explicite számolható, pl Black-Scholes esetben CBS (·) = St e−dt,T (T −t) φ(b1 ) − Ke−rt,T (T −t) φ(b2 ),
ln(St /K ) + (rt,T − dt,T + σ 2 /2)(T − t) √ , σ T −t √ b2 = b1 − σ T − t,
b1 =
ahol φ a standard normális eloszlás eloszlásfüggvénye. Gond: amennyiben nem teljesül a modell feltevésük, ˝ erosen félreáraznak. ⇒ ˆ nem-parametrikus becslése/közelítése. Motivált: C
˝ Szabó Zoltán, Lorincz András
Nem-paraméteres predikció, Lasso közelítés
(6) (7) (8)
Nem-paraméteres módszerek: ISA–szemlélet Koktél parti probléma: ˝ Szereplok: ˝ (rejtett források)–független csoportokba beszélok tömörülhetnek, mikrofonok (szenzorok).
Feladat (ISA, Independent Subspace Analysis): kevert ˝ az eredeti források becslése. jelekbol
˝ Szabó Zoltán, Lorincz András
Nem-paraméteres predikció, Lasso közelítés
Nem-paraméteres módszerek: ISA modell
ISA modell: xt = Aet , ahol e = [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.
ˆ. ˝ W = A−1 becslése, e Cél: x-bol
Alkalmazások: orvosi adatok (EEG, fMRI, ECG) elemzése, arcirány felismerés, gén analízis,
˝ Szabó Zoltán, Lorincz András
Nem-paraméteres predikció, Lasso közelítés
(9)
Nem-paraméteres módszerek: AR-ISA, fAR-ISA Valóságosabb modell: s forrásnak van dinamikája, pl AR: xt = Ast , X Ls Fi st−i + et , st = i=1
(10) (11)
ahol e mint ISA-ban. Spec.: Ls = 0-ra ISA. Kiterjesztés (dinamika családja is ismeretlen), funkcionális AR-ISA (fAR-ISA): xt = Ast ,
(12)
st = f(st−1 ) + et ,
(13)
ahol f: ismeretlen függvény; e = [e1 ; . . . ; eM ], mint ISA-ban. ˆ, e ˆ. ˝ W = A−1 becslése, s Cél: x-bol ˝ Szabó Zoltán, Lorincz András
Nem-paraméteres predikció, Lasso közelítés
Nem-paraméteres módszerek: fAR-ISA megoldás
Megoldási stratégia: st funkcionális AR, xt = Ast ⇒ xt is funkcionális AR xt = Af(A−1 xt−1 ) + Aet , Ae meghajtó zajjal és f(·) → Af(A−1 ·). ˝ d-függo˝ CHT ⇒ Ae közelítoleg Gauss, e komponenseinek fgtlenek, így egy fAR fittelo˝ adta Ae-becslésen ISA-zással kész lennénk.
˝ Kerestetik: fAR becslo.
˝ Szabó Zoltán, Lorincz András
Nem-paraméteres predikció, Lasso közelítés
(14)
Nem-paraméteres módszerek: fAR becslo˝ ˝ o˝ diáról: x funkcionális AR Eloz xt = Af(A−1 xt−1 ) + Aet .
(15)
Ötlet: tanuljuk meg ezt az xt−1 7→ xt összefüggést nem-parametrikus regresszióval, azaz yi = g(xi ) + ni
(i = 1, . . . , T ),
g(·) =?,
ahol y/x/n: válasz-/magyarázó változó; zaj g: ismeretlen feltételes várható érték fg, {(xi , yi )}Ti=1 : mintapontok.
˝ Szabó Zoltán, Lorincz András
Nem-paraméteres predikció, Lasso közelítés
(16)
Nem-paraméteres módszerek: kernel regresszió Nem-paraméteres regresszió kernelekkel = kernel ˝ regresszió, pl Nadaraya-Watson becslo: Ötlet: az g(X) = E [Y|X] ismeretlen várható érték fg-t a ˝ (x, y), x eloszlások kernel sur ˝ uségfg ˝ becslésébol közelítjük. Az adódó formula ˆ (x) = g
PT
x−xi i=1 yi K h , PT x−xi K i=1 h
ahol K : kernel (=sur ˝ uségfg; ˝ pl Gauss), h: szélesség paraméter.
˝ Szabó Zoltán, Lorincz András
Nem-paraméteres predikció, Lasso közelítés
(17)
Nem-paraméteres módszerek: rekurzív NW
Ismert: A rekurzív Nadaraya-Watson technika (igen ˝ általános feltételek mellett) erosen konzisztens becslést szolgáltat funkcionális AR folyamatokra Ref.: Nadine Hilgert, Bruno Portier: Strong uniform consistency and asymptotic normality of a kernel based error density estimator in functional autoregressive models, arXiv, 2009.
Megoldási út: 1
Funkcionális-AR fit (Nadaraya-Watson) a xt = g(xt−1 ) + Aet
2
megfigyelési folyamatra. ˆ ⇒s ˆ, W ˆ. Majd ISA x becsült innovációján ⇒ e
˝ Szabó Zoltán, Lorincz András
Nem-paraméteres predikció, Lasso közelítés
(18)
Jóságmérce ISA egyértelmuségek ˝ szerint a rejtett forráskomponensek permutáció, és és altéren belüli lineáris transzformáció
ˆ ˆ = Wx-ben erejéig állíthatóak vissza. Ideális esetben: s ˆ blokk-permutációs mtx G = WA
Blokk-permutációsságra mérce: Amari-index r (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 becslo˝ (rekurzív Nadaraya-Watson), x ∈ RD , β ∈ (0, 1/D): PT −1 βD K [t β (Xt − x)]Xt+1 t=1 t ˆ T (x) = P g (19) T −1 βD β (X − x)] t K [t t t=1 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):
ˆ): Becslés (e
˝ Szabó Zoltán, Lorincz András
Nem-paraméteres predikció, Lasso közelítés
Illusztráció-2 Megfigyelés (x):
ˆ): Becslés (e
ˆ Hinton-diagram (G = WA):
˝ Szabó Zoltán, Lorincz András
Nem-paraméteres predikció, Lasso közelítés
Illusztráció-3: M = 3 (6-dimenziós feladat) 0
10
βc=1/2 β =1/4 c
Amari−index (r)
βc=1/8 β =1/16 c
−1
10
βc=1/32
−2
10
1
2
5 10 20 Mintaszám (T/1000)
˝ Szabó Zoltán, Lorincz András
50
100
Nem-paraméteres predikció, Lasso közelítés
Illusztráció-4: M = 6 (12-dimenziós feladat) 0
10
βc=1/8 Amari−index (r)
β =1/16 c
βc=1/32 −1
β =1/64
10
c
−2
10
1
2
5 10 20 Mintaszám (T/1000)
˝ Szabó Zoltán, Lorincz András
50
100
Nem-paraméteres predikció, Lasso közelítés
Köszönöm a figyelmet!
˝ Szabó Zoltán, Lorincz András
Nem-paraméteres predikció, Lasso közelítés