Бейсовские Методы редко используются. Стоит ли их использовать. #garch #sv #mcmc #stan

• На порядок сложнее чем скажем GARCH, регрессии и т.п..
• В х1000 если не в х10_000 медленнее GARCH, регрессий и т.п. гарч фиттинг занимает микросекунду, MCMC час.
• Легко допустить ошибку, много сложных моментов.
• Часто ошибки скрытые и не очевидные, их не видно. Это пожалуй самы большой минус. Если работа в команде не так критично, когда есть ревью разными людьми их можно заметить, но для работы одному это большая проблема. ИИ в этом плане сильно помогает. Без ИИ потребовалось бы раз в 10 больше времени чтобы найти все ошибки.
• Не могут работать со средними и тем более большими данными больше 10к точек. Резкое падение скорости в разы на данных 20k. Это сильно замедляет работу, нужно много экспериментов делать, если после одного изменения расчеты занимают 15-60мин, и ты ждешь — производительность сильно падает, поэтому на практике больше 10к слишком медленно, и даже 2к занимает 15мин, что все равно медленно.
• Не хватает готовой инфраструктуры, библиотек. Например нет готового out of sample likelihood, даже в популярном STAN это как вообще? Получается ты сам должен к нему еще доделывать Particle Filter что довольно сложная штука. Как люди его используют непонятно… судя по всему используют приблизительную LOO оценку.

Какие плюсы?

Мне кажется дают. Они позволяют с новой стороны взглянуть и оценить модели. Некоторые вещи, проблемы, идеи становятся видны лучше и понятней. Также сам байесовский подход также интуитивней и лучше чем частотный. Оценка параметров как распределений гораздо лучше чем доверительные интервалы. 

Добавление сигналов из разных источников в модель также по идее с байесовским подходом должна быть лучше и понятней. 

И они по идее точнее чем например GARCH, особенно для N шагов вперед.

Есть промежуточный вариант GARCH + HiddenMM, который по идее обьединяет скорость garch и возможности SV.

Ну и конечно байесовские методы не ограничиваются SV я про SV и Гарч упоминаю потому что это то что я сейчас делаю.

Практика

В моем случае, трейдинг медленный, с горизонтом 3года, небольшим числом сделок. Медленность Байесовских методов не проблема. 

Для высокочастотных вараинтов, напрямую наверно не имеет смысла, но как инструмент изучения, лучшего понимания, и затем создания приближенной модели например HiddenMM мне кажется толк есть.

SV Model

Продолжаю работу с SV моделями. Фиттинг (не закончен еще, работа в процессе...) MCMC SV модели, графики параметров. 
Мне нравятся когда не просто цифры но в наглядном виде, графики. И проблемы некоторые лучше видны.





Пока не могу оценить лучше она чем гарч, потому что как сказал выше расчет out of sample likelihood для STAN непонятно как сделать для STAN фреймворка. А точность расчитанную как loo сравнивать с гарч нельзя.

У меня с Байесовскими Методами небольшой опыт, продолжаю с ними разбираться… так что все выше — это мысли в слух в процессе изучения…