Bayesowskie porównywanie modeli SV
Pełen tekst
(2) Anna Pajor błędem. 2. Procesy SV z. normalnym oraz f-Studenta. Pierwszym pow szechnie stosowanym procesem, wyraźnie s p ec yfikującym wariancję warunkow ą oraz uwzględniający m jej zależność od poprzednich wartośc i procesu , j est proces ARCH , wprowadzony przez R .F . Eng le ' a w 1982 r. Du żą popularno ść zdo byly równie ż uogó lnienia tego procesu , tzw . procesy GARCH , zaproponowane przez T. Bollersleva [1986]. Procesy te stosowano do modelowania zmi enn ości indeksu WIG m.in. w pracach [BrzeszczyI\ski 2002] i [Fi szeder 200 I]. Do badania tych samych zjawisk poniżej wykorzystamy procesy SV. Proces stochastyczny { y, : t E Z} , gdzic Z o znacza zbiór liczb c ałkowitych , jest procesem z mi e nności stochast ycznej (ang. Stochastic Volatility Process ) z no rmalny m błędem o bserwacji , jeś li : JID. YI. = El. ~.. E,. -. N(O , I ),. (I). N (O, I ) ,. (2). JID. In h, = Y+ ~ In ",_ l + aś" E,. l Ś.". t,. S E. Ś,. -. Z,. JID E, -. N(O, I), T E Z oznacza ni ezal eż ne zmienne losowe O standardow ym rozkładzie normalnym; symbol l oznacza , że zmienne losowe E, i Ś, są niezale żne. Aby zapewnić ści słą stacjonarno ść procesu stochastycznego y" zakłada my , że I~I < I.Wówczas proces y" posiada zerową wartośc ią oczekiwan ą i s ko ńc zoną bezwarunkową wariancję ró wną : gdzie. R o zkład. Y, jest roz kł adem o ogonach go. Kurtoza rozkładu y, jest równa: KUrT(y,). =. c ięższych niż. E(y,') [E(y,'»)'. = 3 exp. (. rozkładu. ogony. I. normalne-. 2 ). =. <1>'. .. Za pomocą procesu SV jesteś m y w stanie modelować pod stawowe wła s no śc i finansowy c h szeregów czasowych , tj. zjawisko gruby ch ogonów (nawet gdy o = O, kurtoza y, j est większa niż dl a rozkładu normalnego), zjawisko skupiania się zmienn ości (za które w główn ej mierze odpowiada parametr <I> - wart ośc i bliskie jeden ś wiadc zą o dużym nasil eniu tego zjawi ska), z mienność waria ncji warunko wej (wa hliwość zmie nn ośc i), która w szczegó ln ości jest tym w ięk sz a , im w yższa jest wartość parametru o'..
(3) ie modeli SV. Jak wy nika z dOlychczasowych badań empi rycznyc h. warunkowa normalność procesu ARCH lub GARCH nie je Si w slanic wyjaś niać zw iększonej kurIOzy cech ującej rozklady brzegowe procesów finansowych oraz pojawianie s ię obserwacji .,nielypowych" (zob . [B o ll e rslev, Chou. Kraner 1992]). Z lego wzg l ędu wykorzystuje się rozkłady posiadające grubsze ogony niż rozklad normainy. Najczęściej jest to rozklad t-Studenla lub wprowadza się również skośny rozklad t-Sludenta (por.IOsiewal ski. Pipie'; 1999]). Podobnie jest w przypadku procesów SV. J. Geweke [1994] stwierdza, że proces SV z normalnym blędem w równaniu obserwacji może niedoslatecznie wyjaśniać pojawianie się obserwacji .,nietypowych", co potwierdzają również m.in. prace [Jacquier. Polson , Ros,i 1999, 200 I] oraz [Rui z 1994] . Rozważa s ię więc procesy SV z blę dem t-Sludenta o li czbie stopi swobody (v) będqcej przedmiolem wnioskowania (zob. IJacquier. Polson, Ros si 1999], [Pajor 200Ib]). Proces SV z błędem t-Studenta możemy zapisać:. Y, =. E,. /ID E, -. ~.. 1(0. I . v),. (3). N(O, I ),. (4). /ID. 1;, -. In h, = Y + <I> In h, _ J + al;" E, .L. 1;.,. ,. I. s E Z,. /ID. gdzie E, - N(O. 1. v), t E Z oznacza ni eza leżne zm ienn e losowe mające rozkład l-Studenta z v stopniami swobody, z zerowym parametrem niecentralnośc i i jednostkową precyzją'. Dla v> 2 istnieje skończo na bezwarunkowa wa• • • nancJa Y, rowna: v. Var(y ,) = v _ 2. ( y eXPI _. <I>. a2. + 2( l _ <»') .. Nato miast dla v > 4 możemy obliczyć kurlOzę rozkładu bezwarunkowego Y, ( i s lni eją wówczas bezwarunkowe mome nty Y, do czw artego rzęd u w łąc znie): v- 2 KUr/(y ,) = 3 v _ 4 exp Rozkład. 1 a '- , ).. - <»-. bezwarunkowy Y , jest teraz rozkł adem o grubszych ogonach niż w przypadku normalnego błędu obserwacji. Rozkład t-Sludenta z małą liczbą stopni swobody lepiej oddaje zwiększonq kurtozę. Grube ogony dła bezwarunkowego rozkładu Y , sprawiają, że skrajne obserwacje (dalekie od wartości l. Czyli zmienne losowe o gęstości równej:.
(4) Anna Pajor. oczekiwanej procesu) pojawiające się w szeregach finan sowych nie są traktowane jako wysoce nie prawdopodobne . Przy modelowaniu skmiczonego ciągu obserwacji. I = 1, 2, .. . , T , wykorzystujem y następujl!Cą s pecy fikację : U, E I ::::;. ~. ,. I E. { I , 2, ... , T},. gdzie u, i vw, są zmiennymi losowymi niezal eż nymi, u, ma standardowy rozkład normalny, a v"', ma rozkład X' z v stopniami swobody. Proces możemy . " WI ęC zapIsac: Y, ::::;. In h, = Y+. 'h ' ,. '. (5). In h, _ I + a~". (6). \ ,. Ul I UJ. <I>. IID. (li" Ę,,)'. x'(v) Ul,v. -. ,Ul,l( u,. ,~".),. N(O , /2)' I.S E {1.2 . ... ,T}.. Za pomocą procesu SV z błędem l-Studenta m ożna lepiej opisać pojawianie się obserwacji "nietypowych" niż w przypad ku no rmalnego błędu obserwacji. W modelu SV z normalnym błędem w równaniu obserwacji duże wartości ly,l z wi ąza ne są z du żymi wartościami h,. Natomiast w modelu z błędem I-Studenta wplyw obserwacji "nietypowych" na zmienne ukryte h, jest redukowany przez z mienną Ul" która wówczas może przyjąć bardzo malą wartość. Stąd pojedyncze , bardzo duże wartości ly,l, traktowane jako obserwacje "nietypowe", mają znacznie mniejszy wplyw na prognozę zmiennoś ci. Rozklad a posterior; dla Ul, może s lu żyć jako "diagnoza" pojawiania s i ę obserwacji ,.nietypowych".. 3. Bayesowskle porównanie modeli SV Za lóż m y ,. dla uproszczenia , że zbiór Y c RT jest zbiorem możliwyc h realizacji badanego zjawiska . a wektor y E Y oznacza pojedynczą realizację tego zj aw iska. Formalnym opisem zjawiska jest trójka ( Y, L, P), która nosi nazwę przestrzeni statys tycznej lub modelu statys tycznego. Symbol L oznacza rodzi nę podzb iorów zbioru Y c W będącą a-algebrą (c iale m prze liczalnie addytywnym). N ajczęśc iej przyjmuje się, że jest to a- algebra zbio rów borelowskich ' (najmniejsz" a-algebra zawierająca wszystkie zbiory otwarte zawarte w Y). Natomiast P jest rodziną rozkladów, miar unormo wanyc h, określonych na L. ~. Powodem . d lil którego rozwa7.a si y tylko o-algebrę zbiorów bore lows ki ch. a nie wszystkie zbiory mic rzulne w se nsie Lebc sgue' a, jest to, 7.C o-algebra zbiorów borelowsk ich jest "zgodna" z iloczynem kartezj f.ll lSkim, tzn. B(RN~ *) = B (RtJ) X B (W ) (zob. IOmbach 1997 J)..
(5) Bayesowskie porówll}'wanie modeli SV Jeśli. rodzina ta jest wprowadzona za pomocą rodziny indeksowanej przez wektor 8 E e c Rm, czyli P = {Po: e E e}, to takie przestrzenie statystyczne oraz takie rodziny rozkładów nazywamy parametrycznymi. Rozkład z rodziny P zadaje się zazwyczaj funkcją gęstości względem miary Lebesgue' a, tzn. P = {p(-18): 8 E e}, gdzie p(-18): Y --> R+ u {O} jest gęstością określoną na zbiorzc możliwych realizacji zjawiska. Na gruncie klasycznym (niebayesowskim) rodzina P określa jednoznacznie parametryczny model statystyczny, w ramach którego rozważa się zagadnienie estymacji wektora 8. Ocenę parametru 8 dokonuje się na podstawie posiadanej informacji, która jest ograniczona do wyników próby, a precyzję oceny określa się w terminach powtarzalnych, hipotetycznych prób. Na gruncie bayesowskim rodzina P nie określa jednoznacznie modelu statystycznego (tzw. bayesowskiego modelu statystycznego). Konieczne jest wprowadzenie miary probabilistycznej na zbiorze e - przez zadanie gęstości brzegowego rozkładu wektora parametrów p(8) - czyli tzw. rozkładu a priori. Przyjmuje się bowiem, że statystyk dysponuje dodatkową informacją o parametrze 8, którą wyraża poprzez rozkład prawdopodobieństwa określony na przestrzeni e. Parametr 8 traktowany jest jako zmienna losowa, w tym sensie, że (mierzalnym) zbiorom jego wartości przypisuje się prawdopodobieństwa reprezentujące stopień przekonania (ang. degree oj beliefJ. Stąd w analizie bayesowskiej najczęściej znajduje zastosowanie subiektywna interpretacja prawdopodobieństwa. Pełny układ aksjomatów gwarantujących istnienie i jednoznaczność miary stopnia przekonania prezentuje m.in. M.H. DeGroot [1981]. Bayesowski model statystyczny jest jednoznacznie scharakteryzowany przez gęstość łącznego rozkładu prawdopodobieństwa wektora obserwacji oraz wektora parametrów: p(y, e) = p(yIO)p(O),. gdzic 1'(8) jest gęstością rozkładu a priori. Wnioskowanie o interesujących nas wielkościach odbywa się zgodnie z twierdzeniem Bayesa. Estymacja parametrów polega na wyznaczeniu - z łącznego rozkładu wektora obserwacji i wektora parametrów - warunkowej gęstości dla parametrów przy danym wektorze y, czyli gęstość tzw. rozkładu a posteriori: p(yI8)p(O) p(8Iy) =. .. Jp(yI8)p(8)d8 s. Uzyskany rozkład a posteriori p(8Iy) reprezentuje całą wiedzę badacza o szacowanej wielkości 8 po zrealizowaniu wektora y. Często znajdujemy się w sytuacji, w której mamy określoną liczbę konkurencyjnych modeli, z których należy wybrać najlepszy. Jednym z kryteriów porównawczych modeli, na gruncie bayesowskim, jest przypisanie każdemu z nich, opierając się na wzorze Bayesa, prawdopodobieństwa a posteriori. Mo-.
(6) Anna. de i, który uzyska najwięk sze prawdopod obieńs two . może być trakto wa ny jako " najl epiej d opasowany" do badanyc h dan yc h empirycznych. Za l óżm y. że mam y n modeli bayesowskic h M" M" ... , M :. -. M ;: P/Y. e) = p /y IO;) p/e;l.. ". i = l , ... , n,. e; E. 8 ; oznacza wektor parametrów modelu M;, na to miast p/e) jest gę sto ś c i ą rozkładu a priori. Estymacja oraz predykcja w każdym z tych modeli może być przeprowadzona zgodnie z zasadami wnioskowania bayesowskiego omówionymi powyżej. Formalne, probabili styczne podejście do wyboru najlepszego modelu bazuje na prawdopodobi eń s twi e a posteriO/'i poszczególnych modeli (zob. [Osiewaiski, Steel 1993], [Zellner 1971 D. M odel, który uzyska n ajwiększe prawdopodobieństwo a posteriori, trak tujemy jako najlepszy. Aby móc korzystać z twi erdzenia Bayesa , zalóżmy , że {M" M 2 , ... , M n } to kompletny zbiór modeli danego zjawiska, parami wyk lu czającyc h s i ę. N iech ponadto p(M , ). p(M2 ) , . .. , p(Mn ) będą prawdopodobień s t wa mi a priori tych modeli . Wówczas prawdopodobieństwa a posteriori są równe: gdzie. p(Mly) ,. =. p (M;lp(yIM) n. L j == l. , i = 1, 2 , ... . 1/ .. p(M;lp(y IMj ). gdz ie p(yIM;l jest brzegową gęstością wektora obserwacj i w modelu M;: p(yIM j ). =P; (y) = f. P; (yle;lp j (O;lde j .. 0,. Brzegowa gęs tość wektora obserwacji jest więc średnią ważoną wartości funkcji wiarygodności na przestrzeni parametrów, przy czym funkcją wagową jest gęstość rozkładu a priori. Stąd brzegowa gęstość wektora obserwacji w modelu M, nie zależy jedynie od przyjęt ego rozkładu próbkowego, ale również istotnie zależy od rozkładu a priori dla parametrów tego modelu . Gęstość a priori, która " lepiej na ś laduje " funkcję wiarygodnośc i. prowadzi do więk szych waności Pj(y) dla danej próby ni ż rozklady a priori. któryc h wykres jest stosunkowo pł a s ki w porów naniu z wykresem funkcji wiarygodności ( por. [Osiewaiski , Steel 1993]). W każdy m przypadku , gdy rozk ład a priori nadaje wyż s ze prawd opodo bi eństw o podzbiorom przestrzeni parametrów, w których wartości funkcji wiarygodności są bliskie zeru, warto ści p , (y) będą mniej sze. Ponadto ni ew laśc i we rozkłady a priori (m iary a-skończone, które nie są miarami skończo nymi ) nie mogą być stosowane tak a utomatycznie jak w przypadku. gdy specyfikuje się rozkłady właściwe - zob. np .lOs iewalski 2001]. J eś li c hodzi o wybór prawdopodobień stw a priori p(M,) , i = I ..... n. w literaturze proponuje się przyjąć, iż są one jednakowe, lub dobrać je tak, aby modele prostsze (o mniejszej liczbie parametrów) byly bardziej prawdopodobne, zgod nie z tzw. zasadą brzytwy Ockhama (zob. [Jeffreys 1961], [OsiewaIski, Steel 1993])..
(7) Bayesuwskie purówll.vwan;e modeli SV. Przy porównywaniu modeli parami miarą porównawczą jest tzw. iloraz szans a posteriori (ang. posterior odds ralio), który jest równy iloczynowi ilorazu szans a priori (ang. prior odds ratio) p(M i )/p(M,) oraz czynnika Bayesa (ang. Bayes factor) Bij = p(ylMi )/p(yIM,): . p(Mi Iy) p(Mi ) p(yIMi ). p(M)y). p(M). p(yIMj ). Gdy prawdopodobieństwa a priori modeli są jednakowe, iloraz szans a 1'0steriori jest równy czynnikowi Bayesa, Tak więc czynnik Bayesa dostarcza informacji o wartościowaniu modelu Mi względem M.,jaka płynie z samych modeli bayesowskich, a nie zależy od ich prawdopodobieństw a priori p(Mi ), Obliczenie czynnika Bayesa jest równoważne z wyznaczeniem brzegowych gę stości wektora obserwacji, czyli stałych normujących dla odpowiednich rozkła dów a posteriori. Zazwyczaj nie można tego zrobić analitycznie, gdyż związa ne jest to z obliczeniem bardzo skomplikowanych całek. Dlatego też w literaturze proponuje się różne metody Monte Carlo (zob. [Newton, Raftery 1994], [Kass, Raftery 1995], [Chib 1995], [Gamerman 1997]). Mając próbę z rozkładu a posteriori {8,<Q)}G = ), brzegową gęstość wektora obserwacji, można aproksymować średnią harnioniczną funkcji wiarygodności:. f l)' ,G '1=' p,(yI8/,"). -). p(yIM) = (I ,. Estymator ten zaproponowali M.A. Newton i A.E. Raftery [19941. Pomimo zgodności jest on bardzo wrażliwy na małe wartości funkcji wiarygodności. Może być więc niestabilny , co wynika z tego, że odwrócona funkcja wiarygodności nie posiada skończonej wariancji a posteriori (nie zachodzi więc centralne twierdzenie graniczne) - zob. [Chib 1995J. Estymator ten jest jednak bardzo prosty do zastosowania (wykorzystując próbki losowe z łącznego rozkładu a posteriori uzyskane w cyklu Gibbsa); doświadczenie pokazuje, że dla dużych prób zachowuje się wystarczająco stabilnie, by dokonać porównania konkurencyjnych modeli. Oznaczmy przez y = (Yl' y" ... , Y1'Y wektor obserwacji, przez 8 wektor nieznanych parametrów modelu SV, natomiast '1 niech oznacza wektor zmiennych ukrytych. W przypadku procesu SV z normalnym błędem obserwacji 8 = (y, <1>, ,,'Y, '1 = h = (hl' h" ... , hTY, zaś w przypadku błędu l-Studenta e = (y, I{>, 0 2 , vY, 11 = (h', w'y = (hl' h" ... , hp w], w2 ' ... , (tlTY' Przedmiotem wnioskowania bayesowskiego w obu przypadkach jest wektor parametrów 8 i wektor zmiennych ukrytych '1. Bayesowski model statystyczny (będący modelem hierarchicznym) scharakteryzowany jest przez gę stość łącznego rozkładu wektora obserwacji y, wektora zmiennych ukrytych I) oraz wektora parametrów 8:. p(y, '1,8). =p(yl'1, 8) 1'(1), 8) = p(yl'1) 1'('118) 1'(8),.
(8) Anna Pajor. gdzie: p(yITj) =. n Ił 0,5-V2n exp 1J_ L. , '" I. T. p(y h,) =. I. T. n. y' ) 2~ dla SV z normalnym blędem obserwacji ,. T. I "". 1. W 0,5. T. 1. J. Y 2(0. '& exp J\ -,L_, ~h,'. I'" l Ił 0,5. 2n. 1. ). dla SV z. blędem l-Studenta.. Rozklad a priori na przestrzeni (0,11) E e x H c R'" (wartość parametru m, czyli liczba zmiennych będących przedmiotem wnioskowania, zależy od przyjętego modelu) specyfikujemy tak, aby rozklady a priori dla parametrów wspólnych obu modeli były identyczne: p(e, 11) = 17(1110) p(O),. - SV z normalnym. blędem. obserwacji :. p(e, 11) = p(Tjle) p(e) = p(hIO)p(f3lo'lp (o ' ),. - SV z. błędem. l-Studenta:. 17(0 , Tj) = p(Tj IO) p(O) = p(hIO)p(j3lo' )p(o' )p(rolv)p(v) ,. gdzie : p (hIO ) - iloczyn gęstości odpowiednich ro zkladó w lognormalnych,. 17(1310 2 ) - gęstość uciętego rozkładu gamma-normalnego, p(f3lo' ) ~ f N (j3Ij3o' o'A u'), I(I~I < l), j3 = (y, 4>)', p(e;-' ) = f c (0-2Iv o/2, srJ2) (symbolfN(-la , A) oznacza gęstość rozkładu normalnego o wartości oczekiwanej a i macierzy kowariancji A, 1(-) jest funkcją charakterystyczną danego zbioru, natomiastfc(-Ia, b) oznacza gęstość rozkładu gamma ze średnią alb i wariancją alb') , p(rolv ) - gę stość warunkowego rozkładu (a priori) wektora ro, czyli rozkła du T niezależnych zmiennych losowych o rozkładzie X' (v)lv), T. p(rolv) =. •• 12. . -1. ,~, ( ~ ) ~~ ). ro,(vl2) -. p ( v ) - gęstość wykładniczego rozkladu p ( v ) = Ar" I(v > O), A > O. Gęstość rozkładu. Q. I. exp(-. ~. ro}(ro, > O) ,. priori parametru stopni swobody ,. a posteriori dana jest wzorem Bayesa:. p(O, 11ly) =. p(ylTj )p( 11 10)17(0). ~~~~~~:.......--. f p(yITj)P(11IO)p(O)dOd11 .. ex!!. Aby uzyskać podstawowe charakterystyki tego rozkładu, wykorzystujemy metody Monte Carlo oparte na łańcuchach Markowa (ang. Markov Chain.
(9) modeli SV. •. Monte Carlo, MCMC), a w szczególn ości losowanie Gibbsa (opis jego zastosowania do modeli SV można znaleźć w pracach [Pajor 2001a. 200Ib]). Obliczenie czynnika Bayesa w przypadku porównania sily wyjaśniającej dwóch modeli SV z blędem l-Studenta o ustalonej liczbie stopn i swobody (v I oraz v) sprowadza s i ę do obliczenia wartości oczekiwanej (wedlug rozkladu a posleriori P v , (G. fIly)) odpowiedniej funkcji zmiennych ukrytych w (podobnie jak dla modelu regresji liniowej zob. [Geweke 1993]): = Pvl(y) _ .!,f,}y,O,h,W)dGdhdW =. B Vl "'2. _. -. f. Pv , ( y). f p(ylh, w)p(hIG)p(G)p(wlv = v l )dGdhdw. 9x H. P V2(y). p()'lh. w)p(hI8)p(G)p(wlv =. v). -. f. p{wlv=v l ). e,H. --. p(wlv = VI) p(wlv = v,). dGdhdw =. -. pv/y). (d x ll. --. (,) Pv,v. Pv/y, G, h, w) dedhdro. •. pv, (y). p(rolv = v, ). =. p{wlv = v,). f. •. p(wlv = v,). na s czynnik Bayesa Bv v, jest więc równy wartości oczekiwanej a posteriori ilorazu warunkowych Igęstości a priori dla w przy ustalonych (konkurencyj nyc h) wartościach v. czy li : Interesujący. (~' )'" ,12 ~; r x. n w, T. x Ep. (. "'2. I. == l. 'v,-v,'J2. l-ro,(V, V,) )) exp . 2. v 2 < VI < ~ funkcja zmiennych ukrytych, której wartość oczekiwan ą obliczamy, jest ograniczona, zatem wszystkie jej momenty a posleriori istnieją i są skończone. Do wyznaczenia powyższej wartości oczekiwanej wykorzystujemy próbę pseudolosową z rozkladu a posleriori Zauważmy, że. przy. za lożeniu.
(10) Anna Pajo,. /1v,(S. h , Olly) uzyskaną za pomocą metod Monte Carlo - przy bliżając powyż szą wielkość odpowiednią średnią. z próby. Alternatywną formulę obliczeniową. dog od ną, gdy v, = =, co odpowiada modelowi SV z normalnym blędem obserwacji, można otrzymać w następujący sposób' :. BVIV ). , IE. xE. {Jv? \. PV2. x. =. ( nTw {\"-"2)/2 ex J", 1. I. rl\ v,2 l_Trl. v I2+. I. \, [-Ol(V - V) j S," li= 1. P. 2. 1. 2. )T( 2 (12 ń v, . ,=,. (' I. == E/, V2. Dla v2 < v, < = funkcja pod znakiem wartości oczekiwanej jest ograniczona, stąd i stnieją momenty wszystkich rzędów. Ponieważ warto ść funkcji gamma dla dużych argumentów możemy wyrazić w przybliżeniu wzorem Stirhnga rex) ~ x·- II'e-' .J21t oraz korzystając z twierdzenia Lebesg ue' a o zmajoryzowanej zb ieżności (które pozwala przejść do granicy pod znakiem wartości oczekiwanej) , otrzymujemy: exp (Iim Bv v = El' ' 1 _'". 12. 1'2. TI 1 V r(V'(rl ' j'( 2. 2 ·. ,2. v:! ). ń (1 r= 1. (7) +. y,'. )-I"' "11. h/v? .. Wyrazi liśmy zatem czynnik Bayesa , wartościujący model SV o normalnym blędzie obserwacji względem modelu SV z blędem l-Studenta O ustalonej lic zbie stopni swobody (v 2 ), jako wartość oczekiwaną wedlug rozkladu Pv,(S . /zl y).. -' Do obliczenia poniż szej wiclkosci wykorzystano wzór:. -J. x" - 1 exp(- hx) tlx =. o. r(a) Iy'.
(11) . modeli SV. Bayesowskie. 4. Modelowanie. zmienności. Indeluu WIG. Jako ilu s trację e mpiryczną porównania konkuruj~c yc h ze sobą modeli SV przedstaw iono modelowanie zmienności warszawsk iego indeks u g iełdo wego (W IG) z okresu od 16 k wietnia 1991 r. do 29 grudnia 2000 r. Oznaczmy więc przez {XI: I = O, l, ... , T} szereg dziennych notowań indeksu WIG z tego okresu. Przedmiotem modelowania był szereg)'1 logaryt micznych stóp zmian indeksu WIG {Y I : I = l, ... , T}, liczba obserwacji modelowanych T = 1969 (rys. l).. 1. 7. 11. ~----------. __________________________________- .. +........ ............................ --- -- ................ -.. -.. . . . . .. ... 7 '0 •• o. "• o. ..,. ... .. . .... .... ..... ... ... ..•. .... .... .... ... ... .... .. ... •. 2 -). -8. II. II. . .. ... - . . . . .. ... ... .... .. .. ... _.. ...... "",,,,_. ... , ",,",,. ... --- --1------,.. -. -1 3 kolejne przyrosty. Rys. I . Szereg modelowanych logarytmicznych <!óp zm i"n indeksu WIG Zródlo : ob lic zenia. własne .. Do modelowania z miennośc i tego indek su wykorzys tali ś my proces SV z normaln ym blędem obserwacji oraz blęd e m l-S tudenta. Prezento wa ne wy niki u zyska li ś m y przyjmując następujące parame try rozkładu a priori: 130 = = (O, O)' , Ao = 0,0001 ' / , Vo = 4.so = 0 ,04. Aby wyznaczyć charakterystyki rozkładu a posleriori parametrów w ramach k ażdego modelu , zas tosowali śm y losowanie Gibbsa. D ok ładny opi s algorytmu losowania z rozkładów a posleriori można znaleźć w pracach A. Pajor [200 l a , 200 l b]. Tabela l zawiera charaktery styki rozkładu a posleriori dla parametru stopni swobody w zależ no ści od przyjętej wartości parametru A (wartość oczekiwana oraz odchylenie standardowe rozkładu a priori dla stopni swobody są równe l/A). Nie trudno zauważyć, że założenie normalności błędu obserwacji jest, w przypadku tych danych, adekwatne. Charakterystyki rozkładu a posleriori dla stopni swobody wzrastają wraz z malejącą wartością parametru A. Dane, w każdym przypadku, wskazują na większą liczbę stopni swobody ni ż za ł ożyli ś my a priori..
(12) Anna Pajor Dokonaliśmy. formalnego testowania mocy wyjaśniającej modeli SV z błę dem obserwacji o rozkładzie normalnym oraz t-Studenta, wykorzystując probabilistyczne narzędzia, jakie dostarcza wnioskowanie bayesowskie. Tabela 2 zawiera brzegowe gęstości wektora obserwacji (pomnożone przez 8''169) dla modeli SV z ustaloną liczbą stopni swobody oraz czynniki Bayesa (obliczone według wzoru (3.1)) dla modelu SV z normalnym błędem obserwacji przeciw SV z błędem t-Studenta o ustalonej liczbie stopni swobody (w nawiasach podano odchylenie standardowe). Wyniki obliczeń potwierdzają przypuszczenia, że adekwatnym narzędziem opisu zmienności szeregu finansowego jest SV z rozkładem normalnym w równaniu obserwacji. Tabela l. Charakterystyki rozkładu (l posteriori dla parametru stopni swobody w zależności od przyjętego rozkładu a priori dla tego parametru v. E(lvl DUr) Mediana. ,=0,5. ,=0,2. ,=0,15. ,= 0.1. ,= 0.05. 1..=001<.1 ,. 17.078. J6AJ6. 25,55. 14.626 36.68. 25J32. 16,62. 30,577 9.866 28,98. :W.268. J))95. 26,723 g .136. 177 .429 93,856 138,57. " wynik uzyskany przy dodatkowym ograniczeniu. l'. 51 ,52. < 300. Żródło: obliczenia własne.. Tabela 2. Brzegowa gęstość wektora obserwacji oraz czynnik Bayesa dla modeli z ustaloną liczbą stopni swobody. _.~~.. -23,796. Log(B,.v). ~. 4,423. ~~~. 3,798. I ,943. (94,R6?). (l ,474?). ~. .. _. ~. _. .. _. _. ~. I ,396. -. -~. 0,147. I ,I 31. I ,8 15. _. ". 13,529. _-_. _. __ ... ~~_. .. ...... . .......... " ......... " ......... " ...... "." .. ".", " .. " .. ".". , .. , .. "."." .. , .. , .. .. , .. , ..... (0.50441 .. _._ .... __ ..... , _. (I 7,4e+(6) (lO,2e+05) (1461 .71 ) ............ . .............. ,.-.".. - . " " . .. .. . .. .. 4,17e-17 8.46e-17 .. __._-16,380 -16.073. -,---_.. ~. __. 65,362. ". -. _ __ .. _... __ ...... ... ... 6274,57. ". -. 26467,59. BN". -I 6,595. ". ,. -27.169. .. , ..................................... . ................................. .................................. .................................. .. ...................... ,. -~"-~'. ... .. , .. , .. .. "." .. , .. , .. - -.. .... ~. ,. _~.~. ".", ". _. ..... ".". -. ~~~.~. _.. ".". .. -. 2,58c-17 ..... ". _. ~. ". .. ~.~~.~. ". _. ~~. ". .. ~. I ,6Oc-24. ". _. .. -,-". .. ... ., ...... .. .. , .. .. , ... , .. . ..... .. .. ... v-. .. -. ... 6,78c-28. v - 200. _. 2,96c-33. _ .. _... _ - ...... ....... ._............ ..... .... .... -32,528 Log(Plv l M,)) -50,240. .. - ... - 100 v-. ........... ... ... ... ....... ..... . ................................. ........................... , ,. 5,75c-51. p(vl M,). v -- 30. .. .......... v - 20. ~. ..... , .. , .. ,. v - 10. -. .. ,."."." .. , .. "., ... , .. ,. .... ........... 5. _. '" ".". --. .. v. Model. .... -. 0,145. Żródło: obliczenia własne.. Tabela 3. Brzegowe gęstości wektora obserwacji oraz ich logarytmy dla poszczególnych modeli Model. v. -. A - 0,0,1. ~. ,-. A - 0,05. O, I. A - 0,1 5. ............................................ . ................................. .................................. .................................. .......................... ...... . " .. ,. p(yl. M.,). 8 •46e- l 7. ........................................... ................. ............... Log(p(yl M»)). - l 6,073. --. 3 ,86e- l 9 .......................... - I 8,4 l 3. 2,23e-20 - ........... .. ................ - l 9,652. 2,3 1e-22. -- -. ... , .. .. , .. "." .. "." .. , ." .. "." ". - 0,2 .. .. .. ".".". ". " ". ,. --. 0,5. .. " ... "." ...... " ........... -. 5,72e-25. .......... _........ - .. ........ ............. - ...... _... -21 ,637. ,. 3 ,780-34 __. _2,87e-26 .. _........ _... _... _._, ... ............... _.... ...... .... -24.243. ,_. -25 ,542. ". -33,423. Zródlo: obliczenia własne.. Tabela 3 zawiera brzegowe gęstości wektora obserwacji i ich logarytmy dla modeli SV o różnych rozkładach a priori dla stopni swobody oraz modelu SV.
(13) . modeli SV. z normalnym błędem obserwacji (konse kwentnie w każdy m modelu brzegowa gęstość wektora obserwacji jest pomn ożo na przez 8 1')('''). Zauważamy. że im rozkład a priori dla stopni swobody jest bardziej rozproszony, tym więks zą otrzy mujem y brzegową gęstość wektora obserwacji. Możemy przypuszczać, że ro zkład a priori O małej wa rlo śc i para me tru A lepiej n aś laduje funk cję w i a rygodno śc i . ni 7. roz kład skupion y wokół mał yc h warlośc i łi czb y stopni swobody. Brzegowa gęs to ść wektora obserwacji jest jednak największa dla SV z normalnym błędem obserwacji. Tabela 4 natomiast zawiera prawdo pod obieństwa a posleriori modeli przy za łożeniu jednakowych prawdopodobieli stwa priori dla tych modeli. Wyniki te w skazują na nieadekwatn ość modeli SV z błędem f·Studenta o ustalonej - małej liczbie stopni swobody . Najbardziej preferowany przez dane jest model najprostszy - SV z normalny m błędem obserwacj i . S kupia on ponad 99% masy praw· dopodobieństwa a posleriori, przed modelami z wykładniczym rozkładem a priori dla stopni swobody z parametrem t. =0,0 1 (ok. 0.4%) i)" =0,05 (ok . 0,02%). Tabela 4.. Prawd o p odob i e ń s twa. Model. .. ._--- - -- - - - -__. p(M).ty). Model _. . . _._.. .... ..... -. __ __. _. _. 0.5 .._-. _.- .•. ..... .. A. ----- _. -. 3.3gc-iO. v- 5. v - 10. 3.79c- 35. 1'( M •. ly). 6 .73e-09. 2.27c-06. 0 .0002. v - 30 'o -.--.-- ..... ..................... .. ._... v - 100. A 0.1 . _- -_._._------- ._--_. _... ..-_ ........ -,---_._ ... ......-.. 4,44e- t S. _... _. -. A - 0.15. A - 0 .2. -. -.--- ...--.--.--.-.-...... a posteriori r óż nych modeli. •. • • _ . _ . _ • • • • • • __ o • • • •. v-. _ •. • •. . ---- -.--.--.. -. _. 4.47c-1 2. I .95e- 17. . -.. _. __. -. ---- - -- -- - -.- --.-.--. 0.0 I A ...-._-_. _.'_._ _---. -- - ------ ......-- ....--.--.-.. 0.004. 0 .995. A - 0.05. .. ...• ...-. _- -----------.--- _ -. I ,05c-08. '. \' - ••• , _. 0.1 67. - 2eX). • • _ . __ • __ ._ . . _.- __ o • __. v. ~. _. v --. -. .-. - .-------.--.--.--.--.---.-- .... 0558. 0 .275. Zródlo: obliczenia wł asne .. - 10. ,. .. ....... ----. --. -. norm ......... , .......... -..........."... ,.. ".. ,." ..."." '· .... ·..Lf.'__ · ._._ __. - 15 ··20. - 25. •.• • ,. .. _...... ...... . -- .-- .-- .. - .... ".". ... --- -_.. ... ........ _......... .. . .... , .. ..... .. __ .. _- -_ .. _-------- ------- ---.--.--_. _. Ry s. 2. Logarytmy brzegowych i Raftery'ego) Ż ródlo :. ' '' H '. . " ... . . .. _. 1_---------------. ....... - 30. " 'W. o bliczeni a wl,asnc .. .. ... ---.--.-•• ". ,.",.o. ....... ___ . _ .. .. .". gęsto śc i. .................- .... ...._. .. .._. __. .j'. .. " - " -- --- -_ . ...... ...". A ~ O.U I A = 0.05. -'-. ". ~.. ,"" .. )..=o. !. ". - - - . )..=0. 15 ł, = 0.2 )~ = 0.5. _. wektora obserwacji (metoda Newtona.
(14) Anna. O,JO. o'} ,_J. r-::;:::::::;:::::::::::::=;:;:::::=:=:=:=::;:::::::::=::=========1 r'. o. """,.,.. 0,20. .... .. .. 0. .. .. ". ,.. .. ... " " , .. • ". •. ' . .. • ••. . . . . . . . . . . . . . . . . . . . . .. . . . . " . " " " " , , ,. • ••••••• _ •• _ •• _ . . . . . . . . . . . . .. •. ..... .. ",, ". .. ....... .......... ....... . """. ................... _ ... ....... •••. "",". "". ". • .. ............. , • • 0. _. .... . . . . . . . . . . . . . . . . . . . . . . .. .. •••••••• _. •• _. •. •••• . . . . . . .. ". ,. ". " " . " •• " . " . . . . . .. .. •• . . . . . .. ". .. ... .. .. .. . . . . . . . . . . . . . .. .. ... _._ ..... _. . . ,, '". ". .• " . ,. ............................. .. ~. 100. \' =. :'00. \'. n. 15. o. --. §. ~ ~. -. ~. oc. o o o o 8. -. ~. N N. --- -- 8 § - - X X § § 8 ~ § § 8 c, 0' :!; 0' c,. §. X 25. ~. ~. ~. ~. ~. c,. ~. ~. ~. ~. ~. o. o. ~. o. ~. c. ~ ~. c. 25 cc c ~. ~. ~. oc ~. 25 iS. ~. oc. ~. ~ ~. o o c o o c o c ~. o o. o. o. § § !:i. ~. c,. -------------~. ~. o. ~. ~. o o o. ~. ~. x. ~. 'o. ~. ~. ~. ~. ~. ~. oc. o. ~. ~ ~. Rys. 3. Logarylm y czynników Bayesa BN,' (250 000 losowa!', w tym 50000 cykli spalonych) Zródło : ob liczenia własne.. 6,-------------------------------------------, ='. ...... 4. ".. ~.~ ~ . ~. ---_ :".. .:3. ~_._---"'"',. .,,. . ...... _.. --._._-_..... ........ ~~-- -- _. ................. ............ _..... ------ ..... .. _.. ... _. -~:-. .........._._.__. ....... ....... .. ...•._.•._.. -. ._.~_. ... _.'" ... .. ...... ~ _.. _...... ...... -_. __ ... ................ _.- ............... .... _.. -._ ... -_.---._--- -._ .. _-- ---_ ....-. .. ". ". ... .... ".". v = 10. .,, . .. "." "" " "" .... ... . .................. """"""."." ....... ... . ........ """ ....... .""" .... "." .... ... . ...... ".".", ... ".. "." .. ,.. "." .... ... . ... "",,, ".............. .. v = 20. "•. v= 30 ._- -~. ...... Rys. 4. Logarylmy czynników Bayesa BN, (550 000 spalonych) Żródło:. obliczenia własne .. l osowań,. w lym 50 000 cykli.
(15) Bayesowskie ~~~~~~m~o~d~e",./~i~S~V~_ _ _ __ _ _ __ _ _ _ _ __. Podobny wynik uzyskano porównując różn e modele SV z błęde m t-Studenta o ustalonej liczbie stopni swobody. Model SV z normalnym błęde m obserwacji. co odpowiada v = ~, skupia ok. 55 ,8% masy pra wdopodobi e ń st wa a po · steriori , przed modelam i z v = 200 (27 ,5%) . v = 100 (1 6,7%), co wynik a z tego , że ro zkład l-Studenta o v > 30 jest dobrze przybli żany rozkladem norma ln ym. Rysunk i 2-4 p rzed s taw i aj ą zachowanie się logarytm ów brzegowej gęstości obserwacji dła różn ych wa rtośc i parametru i, (250 000 ł osowań , w tym 50 000 cykli spa lon ych) oraz logarytmy czynników Baye sa dl a modelu SV z normalnym b ł ędem obserwacji przeciw SV z błęd e m l-Studenta z ustał oną li czbą stopni swobody. Ich zachowani e zdecydowanie wskazuje na preferowanie modełu SV z norm a łn y m błęde m obserwacji .. 5. Uwagi. końcowe. W pracy zaprezentowano bayesowskie porówny wanie konku re ncyjn ych modeli SV z normalnym błędem obserwacji i bł ędem l-Studenta . Przedstawiona metodol ogia wykorzystana zost a ła do porównani a mocy wyj a ś niaj ącej modeli SV wykorzystanych do opi su z mi enn ośc i warszawski ego indeksu giełd o wego.. Otrzymane wyniki. poz walają stw i e rdzić , że. "najlepszym" mode lem opi sujący m k ształtowanie s i ę z mi ennośc i badanego szeregu finansowego jest m ode ł naj prostszy - SV z n o rm a łn y m błęde m obserwacji, co pot wierd zi ł o wc ześni ej sze przypuszczenia. Przez nadani e wariancji warunkowej jej wł as n ej losowośc i jes teś m y w stanie c zęśc iowo wyjaśnić pojawianie s i ę obserwacji "nietypowych" . bez k o ni ec zn ośc i wykorzystywania roz kładów o bard zo grub ych ogonach, in aczej ni ż w przypadku mode ł i z klasy ARCH . Wni os kowanie bayesowskie dla modelu GARCH( I, I) i tego samego szeregu czasowego wskazuje. że warunkowy rozklad obserwacji jest w tym przypadku najl epiej przy bli żan y przez rozklad l-Studenta o ok . 9 stopniach swobody (zob . [Osiewal- ski. Pipi e ń 2003]) . Przedstawi one podejśc i e bayesowskie do porównywania mocy wyjaśni ają cyc h róż n ych modeli moż na za stosow ać do bogatej kl asy uogó l n i e ń modelu S V, np . do testowania takich zjawisk,jak ujemna kore ł acja mi ędzy reali zacjami procesu a jego zmi en nością (tzw. efekt d żwig ni ) lub t eż wy stępowania "premii za ryzyko" (model SV in Mean), co będ z i e przedmiotem dalszych bada ń . Literatura. Bollerslev T. [1986J. Gelleralized Auroregresive eOIiJiI ;onal Hererosccdl/Jlicity . .J ou rn al of Economelrics". vo l . 3 J . Boll erslev T .. Chou R .Y., Krone r K .r:. fJ 992J, ARell Modelfing ill Fill(lm:e: A Revicll' o[ fh e Theory tli/d Emprica/ Evidence, ...I ournal ot' Economelrics". vol. 52..
(16) AnI/a Brzeszczyllski J. 1"20021. lllle illość kursy - obroly lIa Gieldz.ie Papierów Warto.\:cimvych 11/ War .... zawie . Z(l.\· tu~·()waHi(l modeli ARCII rw :l Metody i/o.vciowe w lIaukach ekonomic:'l1ych , Drugie Warszlaty Doktorskie Z Za kresu Ekonometrii i Slalyslyki. pod red. A. Welfe, Szkola Glówna Handlowa w Warszawie , Warszawa . Ch ib S. l (9951. Margillal Likelilzood frOIll Ihe Gibh.'· Ompll! . .,Journal of the American Slatislica l Association". vol. 90. DcGroot M .H . [ 19811, Optymalne d('c)'::je statystyczne, PWN, Warszawa. Fiszeder P. [200 l 1. Jedn()rÓ~VIWl1iml'f I/lodele GARC H - (waliz.a procesów z achodzących na GPW w Warszawie lw:] Dynlll1licZl1l' modele ekonom etryczne. VII Ogólnopolskie Semi narium Naukowe, 4-6 września 2001, Wydawnictwo Uniwersytetu Mikołaja Kopernika. Toruń. Gamerman D . [19971. Markov C/win MOf1lc Carlo (STCJ1istic Sill/u/athm for Bayesiall In{erel1ce ). Chapman and Hall, London. Geweke J . l19931, Bayesiall Trearmellt ol rhe Independel11 Stlfdelll -t Lillear Model. ,,Journal of Applied Econometrics", vol. 8. Geweke J . l1 9941 , COll1l11enl 011 BoyesilIlI ;\ I/o{y... i.\· ol 51Odlll.\'! ic Volar ili ty ModeIs , "Journal of Bus iness and Economic Slatistics", vol. 12. hcquier E ., Polson N .. Rossi P . L1994]. Ba)'csiall AlIlI/ysis (~r Swcluulic Vo/atility ModeIs (wfl" Di,w:us.\"ioll) . "Journal ol' Business :'lnd Econom ic SI.H ist ics", vol. 12 . hlcquicr E .. Polson N .. Rossi P. f 19991. Stocha.\"lil· Vollllilit \": Ullivll/"ialC alld Mullivar;ale EXlellsiolłs, Ca hiers C irano. Cen1re Inleruniversilaire de Rec herc he en Analyse des Organisa lion s, Montreal . Jacquicr E .. Pulson N., Rossi P. [200 l 1. Bayesiall AnalYJis ol Srochastic VolmiliTy : ModeIs wilh Far -Taiis al/d Carrelated Errors, Fina nce Departmenl. Boston College and CIRANO Gradua le School ol' Business , The Uni versity of Chicago. Jeffreys H . [1961 J. Theory o! Prohabiliry, Oxford Universi'y Press, Lnndon. Kass R.E .. Raflery A.E. [19951, Bayes Faeton,- , "Journal ol' the American Statistical Association". vol. 90. Newton M.A., Raftery A.E. [19941. Approxil1late Bay(~s iflll lnference by the Weighted Likelihood Bootstrap, "Journal of the Royal Statistic,il Society B", vol. 56. Ombach J . [1997], Wstęp do rachunku pra),','dopodobi eń slwa, Wydawnictwo Instytutu Matem.'yki AGH. Kraków. OsiewaIski J . f200 l ]. Ekon ometria hayesowska w zasTOsowalliach, Wydawnictwo Akademii Ekonomicznej w Krakowie . Kraków. Osie waiski J" Pipien M. [1999] . Ba:resiall Foreca.\·lillg (d Foreign Exchang e Rates Using GARCH models with Skewed l CO/lditiollal Dislribwiolls [w:] Macromodels'98 , Confcrence Proceetlings, ed . W. Welfe, Absolwenl . Łód ż. Osiewa iski J., PipieJi M. (2003), Bayesillll Allaly.\·i.'1 al/d OpliolI Pricing in Ullivar;ate GARCH Model.\· with Asymetries and GARCH-IIl·Me(UI EJfects, " Przegląd Statystyczny", I. 50. Osiewaisk i J., Steel M .F.J. r19931. A Bayes iall PerspecI'-ve on Model Selection (maszy nopis), opublikowano w j. hiszpańskim: U110 perspectiva ba)'o'jwl(l t'1I st'cción de mode/os , "Cuadernos Economicos", No 55. Pajor A, [200 l a], Bayesowska eSTymocja i progno::.owal1ie IV modelu stochastycznej zmienilOŚci Z normalnym hfędem obserwacji , Materi a ły Konferencyj ne XXXVII Konferencji Statystyków. Ekonometryków i Matematyków Akademii Ekonomicznych Polski Połu dniowej, Ustroń. 26- 28.03.2001 r. (w druko).. -.
(17) ,. ,. . modeli SV. Pajor A. [2001b ], Bayesowska estynu/(ja i prog noz()wallie Hi II/ oddu stochastycznej 7.l11iellllw:ci .:: błęd e m t-Stlldenta [w :J Dynamic:ne modele ekonometryczne , V 11 Ogó lnopol ski e Seminarium Nau kowe, 4-6 wrześ nia 2001. W ydil w ni ctwo Uniwersytetu Miko łaja Kope rnik a. TorUJ1. Rui z E . [ 1994 1. Quwii-MaximulIl Like/ihood Estimatioll o[ Slochasric Vola tilil y ModeIs . .,Jo um,,1 nf Eco no mclrics". vol. 63 . Ze llne r A. [ 197 1j. Al! / lItrodllctioll lO BlIyes iall I I/ference i n Ekonometrie.'i. J. Wiley, New Yo rk.. The Bayesian Comparison of Models SV The paper prese nlS ge nerał methods 01' Ihe Bayes ian i nfercnce and model sc lection . T he. Bayes ian me thodo logy is used lo compare va rio us Stochasli c Vo la tility mude Js deseribing Ihe vo lalilily o f Ihe Warsaw S loc k Exc ha nge InJex ( WIG ) , rro m 16 Apr;1 1991 liII 29 D<;:cember 2000. Wc I.:o nsider th e SV mode l wi lh Gauss ian e rrors in Ihe Illcan equat ion , and [he SV models where the mean equation di sturban ces follow Student -! distributions with fixed or unknown dcg rees of freedom . Our e mpirical result s indicate that the SV model with Gaussian errors (th e simplest possib le S V model) fits the data bene r tłum the SV mode ls with Studenr- r erro rs. By attributin g th e volatility its own slOc hn sti cs wc can partl y account for the o ulliers withou l lIsing a fat-tai led distributions..
(18)
Powiązane dokumenty
Wykres prądu płynącego przez nieosłonięty czujnik prędkości przypadającego na jeden stopień różnicy temperatur pomiędzy czujnikiem prędkości i powietrzem dla
Podstawowym wnioskiem płynącym z wykonanych badań jest fakt, że podział rezystancji dzielonego włókna R 1 /R w jest zależny od ustawienia włókna względem wektora
Wyznaczy¢ pole jego najwi¦kszej ±ciany oraz k¡t pomi¦dzy ±cian¡ najwi¦ksz¡ i najmniejsz¡3. Obliczy¢ odlegªo±¢ pomi¦dzy rozª¡cznymi przek¡tnymi s¡siednich ±cian
[r]
Zauważmy, że dzięki postaci (9) kurtozy wielowymiarowego rozkładu normalnego uzyskujemy dwie istotne własności ekscesu wektora losowego speł- nione także w
Teoretycznie trasa może pozostawać w trybie hold down przez 180 sekund, ale już po 60 sekundach kończy się czas flush (zegar ten uruchamiany jest razem z ostatnią aktualizacją)
Wartość D i odpowiada wpływowi, jaki na prognozę znanych wartości zmiennej objaśnianej ma usunięcie ze zbioru danych i – tej obserwacji.. Współliniowość występuje,
Wektor ten jest potem używany do definiowania początkowego wektora wagowego perceptronu, który ma rozpoznać zadany obraz.. Pojęcie wektora b ma związek