贝叶斯统计在量化投资中的应用

📚 共计 30 章节

贝叶斯思维入门

从频率学派到贝叶斯学派，先验、似然、后验的核心思想。

思维转变核心概念

概率论基础回顾

条件概率、全概率公式、贝叶斯公式的数学推导与直觉理解。

数学基础公式推导

Python概率编程入门

PyMC库安装、基本模型构建、MCMC采样初体验。

先验分布的选择

共轭先验、无信息先验、主观先验，以及它们对结果的影响。

似然函数与模型设定

正态分布、伯努利分布、泊松分布在量化场景中的选择。

MCMC算法原理

Metropolis-Hastings算法、Gibbs采样，以及收敛性诊断。

PyMC实战：线性回归

线性回归的贝叶斯实现，参数后验分布的可视化与解读。

回归可视化

贝叶斯A/B测试

转化率对比的贝叶斯方法，与频率学派t检验的差异。

A/B测试转化率

贝叶斯因子与模型比较

如何量化证据强度，选择最优模型。

模型选择证据

量化投资中的贝叶斯更新

利用新数据动态调整策略参数。

动态调整参数更新

贝叶斯波动率模型

用随机波动率模型预测市场波动。

波动率随机波动

贝叶斯资产配置

Black-Litterman模型的贝叶斯视角。

资产配置Black-Litterman

时间序列中的贝叶斯方法

动态线性模型（DLM）在股价预测中的应用。

时间序列DLM

贝叶斯因子模型

识别市场风险因子，构建多因子策略。

因子模型多因子

贝叶斯变点检测

捕捉市场结构突变，优化择时策略。

变点检测择时

贝叶斯正则化

LASSO与Ridge回归的贝叶斯解释，防止过拟合。

贝叶斯神经网络

用概率视角理解深度学习，量化预测不确定性。

神经网络不确定性

贝叶斯优化

在超参数调优中的应用，提升策略回测效率。

超参数优化

贝叶斯分层模型

处理多资产、多策略的层级结构。

分层模型多资产

贝叶斯缺失数据处理

处理金融数据中的缺失值问题。

缺失值数据清洗

贝叶斯极值理论

预测尾部风险，管理极端市场事件。

极值尾部风险

贝叶斯因果推断

在量化策略中识别真正的驱动因素。

因果推断驱动因素

贝叶斯状态空间模型

卡尔曼滤波的贝叶斯实现，用于实时跟踪。

状态空间卡尔曼滤波

贝叶斯模型平均

组合多个模型，提升预测稳健性。

模型平均稳健性

贝叶斯非参数方法

狄利克雷过程在资产聚类中的应用。

非参数聚类

贝叶斯强化学习

在动态交易策略中平衡探索与利用。

强化学习探索利用

贝叶斯风险预算

基于后验分布的风险分配方法。

风险预算后验

贝叶斯回测框架

构建概率化的策略评估体系。

回测概率评估

贝叶斯实战案例

基于真实股票数据的完整策略开发流程。

实战股票数据

贝叶斯前沿与未来

变分推断、概率编程语言与AI量化结合趋势。