Discussão do artigo "Métodos de amostragem MCMC: algoritmo de amostragem por fatias (Slice Sampling)"
Você está perdendo oportunidades de negociação:
- Aplicativos de negociação gratuitos
- 8 000+ sinais para cópia
- Notícias econômicas para análise dos mercados financeiros
Registro
Login
Você concorda com a política do site e com os termos de uso
Se você não tem uma conta, por favor registre-se
Novo artigo Métodos de amostragem MCMC: algoritmo de amostragem por fatias (Slice Sampling) foi publicado:
Os métodos de Monte Carlo via cadeias de Markov (MCMC) são amplamente utilizados para gerar amostras de distribuições multidimensionais complexas, sobretudo em estatística bayesiana. Algoritmos clássicos, como a amostragem de Gibbs ou o algoritmo de Metropolis, muitas vezes exigem um ajuste prévio cuidadoso. No primeiro caso, é necessário obter expressões analíticas para todas as distribuições condicionais completas; no segundo, é preciso ajustar criteriosamente a escala e a forma da distribuição de proposta. Isso dificulta sua aplicação rápida e eficiente na prática cotidiana.
Neste artigo, estudamos o método de amostragem por fatias (slice sampling), uma variante adaptativa dos métodos MCMC. Sua principal vantagem é a capacidade de se ajustar automaticamente às características da distribuição-alvo, eliminando a necessidade de ajustar manualmente parâmetros como a largura inicial do intervalo.
Após descrever em detalhes o algoritmo e sua implementação no ambiente MQL5, vamos testá-lo em modelos bayesianos de regressão linear e logística, comparando os resultados com métodos frequentistas clássicos, que fornecem estimativas pontuais dos parâmetros.
Autor: Evgeniy Chernish