वित्तीय पूर्वानुमान की बेयसियन विधि

वित्तीय पूर्वानुमान के लिए बायेसियन संभावना मॉडल का उपयोग करने के लिए आपको संभावना सिद्धांत के बारे में बहुत कुछ जानने की जरूरत नहीं है । बायेसियन विधि आपको एक सहज प्रक्रिया का उपयोग करके संभाव्यता अनुमानों को परिष्कृत करने में मदद कर सकती है।

किसी भी गणितीय आधारित विषय को जटिल गहराई तक ले जाया जा सकता है, लेकिन यह होना जरूरी नहीं है।

इसका उपयोग कैसे किया जाता है

जिस तरह से कॉर्पोरेट अमेरिका में बायेसियन संभावना का उपयोग किया जाता है वह समान या समान घटनाओं की ऐतिहासिक आवृत्तियों के बजाय विश्वास की डिग्री पर निर्भर है। मॉडल बहुमुखी है, हालांकि। आप मॉडल में आवृत्ति के आधार पर अपनी मान्यताओं को शामिल कर सकते हैं।

निम्नलिखित Bayesian संभावना है कि विषय के बजाय आवृत्ति से संबंधित है के भीतर विचार के स्कूल के नियमों और सिद्धांतों का उपयोग करता है। ज्ञान का माप जो मात्रा निर्धारित किया जा रहा है वह ऐतिहासिक डेटा पर आधारित है। यह दृश्य वित्तीय मॉडलिंग में विशेष रूप से सहायक है ।

बेयस के प्रमेय के बारे में

बायेसियन संभावना से विशेष सूत्र जिसे हम उपयोग करने जा रहे हैं उसे बेयस प्रमेय कहा जाता है, जिसे कभी-कभी बेयस का सूत्र या बेयस नियम कहा जाता है। यह नियम सबसे अधिक बार गणना करने के लिए उपयोग किया जाता है जिसे पोस्टीरियर प्रायिकता कहा जाता है । भविष्य की अनिश्चित घटना के पीछे की संभावित संभावना सशर्त संभावना है जो ऐतिहासिक रूप से संबंधित प्रासंगिक साक्ष्य पर आधारित है।

दूसरे शब्दों में, यदि आप नई जानकारी या सबूत प्राप्त करते हैं और आपको किसी घटना की संभावना को अपडेट करने की आवश्यकता है, तो आप इस नई संभावना का अनुमान लगाने के लिए बेयस के प्रमेय का उपयोग कर सकते हैं।

सूत्र है:

P (A | B) B पर परिवर्तनशील निर्भरता के कारण पूर्ववर्ती संभावना है। यह मानता है कि A, B से स्वतंत्र नहीं है।

यदि हम किसी ऐसी घटना की संभावना में रुचि रखते हैं, जिसके बारे में हमें पूर्व में जानकारी है, तो हम इसे पूर्व संभावना कहते हैं। हम इस ईवेंट A, और इसकी प्रायिकता P (A) को हटा देंगे। यदि पी (ए) को प्रभावित करने वाली दूसरी घटना है, जिसे हम ईवेंट बी कहेंगे, तो हम जानना चाहते हैं कि ए की संभावना क्या है जो बी हुई है।

संभाव्य संकेतन में, यह P (A | B) है और इसे पश्चवर्ती संभाव्यता या संशोधित संभावना के रूप में जाना जाता है। ऐसा इसलिए है क्योंकि यह मूल घटना के बाद हुआ है, इसलिए यह पद पीछे है।

यह इस तरह से है कि बेयस प्रमेय हमें नई जानकारी के साथ अपनी पिछली मान्यताओं को अपडेट करने की अनुमति देता है। नीचे दिए गए उदाहरण से आपको यह देखने में मदद मिलेगी कि यह एक अवधारणा में कैसे काम करता है जो एक इक्विटी मार्केट से संबंधित है ।

एक उदाहरण

मान लें कि हम जानना चाहते हैं कि ब्याज दरों में बदलाव से शेयर बाजार सूचकांक के मूल्य पर क्या प्रभाव पड़ेगा ।

ऐतिहासिक डेटा की एक विशाल टुकड़ी सभी प्रमुख स्टॉक मार्केट इंडेक्स के लिए उपलब्ध है, इसलिए आपको इन घटनाओं के परिणामों को खोजने में कोई समस्या नहीं होनी चाहिए। हमारे उदाहरण के लिए, हम नीचे दिए गए डेटा का उपयोग यह जानने के लिए करेंगे कि शेयर बाजार सूचकांक ब्याज दरों में वृद्धि पर कैसे प्रतिक्रिया देगा।

यहाँ:

P (SI) = स्टॉक इंडेक्स के बढ़ने की संभावना P (SD) = स्टॉक इंडेक्स की संभावना P (ID) घटने की संभावना = P (II) की घटती ब्याज दरों की संभावना = ब्याज दरों के बढ़ने की संभावना

तो समीकरण होगा:

पी()रोंघ∣मैंमैं)=पी()रोंघ)