Nate Silver y el mercado de valores

17 de noviembre, 2012 0

Hugo me ha propuesto crear un artículo nuevo hablando de emprender en España, siento defraudarle pero mi empresa todavía no está lo suficientemente madura como para empezar a colgarme los laureles hablando de ella (es una startup) así que voy a hablar de un tema que recientemente está en boca de todos, la predicción de las elecciones y el baseball por parte de Nate Silver, un periodista estadounidense que anterioriormente trabajaba para Price Waterhouse. 

Pues bien me he leído su libro y he llegado a un blog de matematicas donde explica varios casos interesantes basados en sus modelos predictivos. Son modelos Bayesianos pero algunas cosas se me escapan.

Mirad por ejemplo, en la entrada:

http://learnbayes.blogspot.com.es/2008/10/how-many-electoral-votes-will-obama-get.html

Cuando habla de la distribución de Dirichlet no se como hace esto:

For each state, I can easily estimate this probability by simulation. One simulates 5000 draws from a Dirichlet distribution and computes the proportion of draws where p.M > p.O.

Al autor le parece fácil porque imagino que es matemático pero a mi me cuesta porque nunca he calculado nada semejante. No se como hacer 5000 tiradas mediante la distribución de Dirichlet esa.

Por otro lado hay varias entradas más, por ejemplo cuando predice el número de Home Runs que van a hacer los equipos de baseball:

El primer post:

http://learnbayes.blogspot.com.es/2007/10/predicting-home-run-rates.html

El segundo post:

http://learnbayes.blogspot.com.es/2007/10/fitting-exchangeable-model.html

El tercer post:

http://learnbayes.blogspot.com.es/2007/10/prediction-contest.html

Lo que no entiendo es el segundo y tercer post. El segundo POST nunca he hecho ese tipo de calculos, y en el tercer post cuando dice:

3. The Bayesian method, predicts a player's May rate by his posterior mean of his true rate lambda_j.

pred3=post.means

No se de donde obtiene lo de post.means ni los may.rates Mas adelante cuando dice 

1. We have already simulated 10,000 draws from Utley's true home run rate lambda1 -- these are stored in the first column of the matrix lam vector.

2. Then 10,000 draws from Utley's posterior predictive distribution are obtained by use of the rpois function.

ys1=rpois(10000,AB*lam[,1])

Realmente no se que está haciendo, aunque se perfectamente que el comando de R hace eso que el está diciendo, pero si no entiendo de fondo por que lo está haciendo..no llego a ninguna parte.

Este post es para animaros a todos, sobretodo a aquellos quants que les guste el mundo de las finanzas. Al parecer el teorema de Dirichlet es también llamado "el principio palomar". El principio del palomar, también llamado principio de Dirichlet, establece que si n palomas se distribuyen en m palomares, y si n > m, entonces al menos habrá un palomar con más de una paloma. (http://es.wikipedia.org/wiki/Principio_del_palomar) esto también hoy durante la siesta, viendo un documental sobre El Origen del Universo por Morgan Freeman, comentaba que era muy difícil encontrar no recuerdo que cosa en el universo porque estaba durmitando en el sofá, cuando de repente dice: Es como si tuvieramos una máquina tragaperras con un premio muy gordo, y tuvieramos una posibilidad entre un millón de que nos toque el premio, si nos ponemos a jugar un millón de personas en todo el mundo a alguno de nosotros nos irá tocando el premio en cada jugada aleatoriamente. Entonces me desperté de la siesta ipso faco!! Acordandome del principio del palomar e inmediatamente asociandolo al hecho de la diversificación de carteras.

La pregunta que yo me hago es, ¿hay alguna manera de utilizar la estadística bayesiana en la bolsa? Según el libro de Nate Silver, no, pero bueno yo aun me lo estoy preguntando y también me pregunto, si a largo plazo es rentable ser alcista, ¿a corto plazo sería rentable ser bajista todo el tiempo?

Preguntas bayesianas que no me dejan dormir por las noches.


Este artículo no tiene comentarios
Escriba un nuevo comentario

Identifíquese ó regístrese para comentar el artículo.