[Q] turing에서 사용하는 MLE, MAP의 opimizer를 나열하고 비교해줘 [A] Turing.jl은 다양한 최적화 알고리즘을 제공하는 Optim.jl 라이브러리와 함께 작동하여 MLE (Maximum Likelihood Estimation) 및 MAP (Maximum A Posteriori) 추정을 수행합니다. Optim.jl에는 여러 최적화 알고리즘이 포함되어 있습니다. 주요한 것들은 다음과 같습니다: 비교: Turing.jl에서 사용할 최적화 알고리즘은 모델과 데이터의 특성에 따라 다를 수 있습니다. 따라서, 주어진 문제에 가장 […]
[Julia, 통계,Optimizer] Turing MLE, MAP Optimizer 비교 (with ChatGPT) 더 읽기"
[Q] 베이지안 추론에 사용하는 sampler중에 MH, HMC를 비교해줘 [A] 베이지안 추론에서 사용되는 샘플링 알고리즘인 Metropolis-Hastings(MH)와 Hamiltonian Monte Carlo(HMC)는 주어진 사후 분포로부터 표본을 추출하는 방법입니다. 두 알고리즘은 그 원리와 장단점에 있어 다양한 차이점을 보입니다. 결론: HMC는 그래디언트 정보를 활용해 더 효율적으로 표본을 추출하므로, 고차원이나 복잡한 분포에 대한 베이지안 추론에 특히 유용합니다. 그러나, 구현과 튜닝이 MH보다 복잡하며,
[Julia, 통계, Sampler] Turing Sampler 비교 (with ChatGPT) 더 읽기"
turing_guide_01 Turing @model 이 하는일 , MH알고리즘 구현 통한 실행 사례¶ In [335]: using Turing using Random using StatsPlots Inverse Gamma 분포:¶ 연속 확률 분포의 하나로, Gamma 분포의 역수에 대한 분포입니다. 이 분포는 특히 베이지안 통계학에서 분산의 사전 분포로 사용되곤 합니다. \begin{align*} f(x|\alpha,\beta) = \frac{\beta^\alpha}{\Gamma(\alpha)}x^{-\alpha-1}e^\frac{-\beta}{x} \end{align*} $\alpha$ : 분포의 모양 결정 $\beta$ : 스케일 조절 특히
[Julia, Turing] Turing @model 이 하는일 , MH알고리즘 구현 통한 실행 사례 더 읽기"
$ julia julia>ENV[“PYTHON”] = “/home/shpark/anaconda3/bin/python” pkg> build PyCall
[Julia, PyCall] 외부 python을 PyCall에서 사용하기 위한 설정 더 읽기"
riemann-zeta In [1]: using SpecialFunctions using LinearAlgebra In [2]: using PyPlot In [3]: function calc_zeta(real,R) Z = zeros(Complex{Float64},size(R)) n = 1 for imag in R s = real + imag*im Z[n] = zeta(s) n = n + 1 end Z end Out[3]: calc_zeta (generic function with 1 method) In [11]: function main() real = 0.5 s_radian = -10 e_radian
Riemann Zeta Function(리만 제타 함수) 더 읽기"
Central Limit Theorem(CLT) Stat Digest: What is the intution behind Central Limit Theorem(CTL)?¶ Ref : Stat Digest: What is the intuition behind Central Limit Theorem?¶ 임의이 확률변수의 샘플링 분포는 정규분포(normal distribution) 이다. 샘플링 분포의 평균은 모집단(population)평균의 훌륭한 추정 이다. 일반적인 샘플의 크기는 ? 30 이상 CTL은 어디에 적용되는가 ? 평균(mean), 합계(sum), 비율(proportion), 임의의 first-order 측정(any
What is the intution behind Central Limit Theorem(CTL)? 더 읽기"
Black-Sholes-Eq-파생상품가격결정 Black-Sholes Equation¶ ★만기가 기초자산의 만기가격과 같은 파생상품(델타원)의 현재 가치 구하기¶ 원문 : https://sine-qua-none.tistory.com/100¶ $$ f(0,S_0) = e^{-rT}\mathbb{E}^{\mathbb{Q}}\left(f(T,S_T)\right)\\ f(T,S_T) = S_T $$ 시뮬레이션¶ $$ f(0,S_0) = e^{-rT}\mathbb{E}^{\mathbb{Q}}\left(S_T\right)=S_0e^{-dT}\\ $$ 의 가격 구하기 1. $S_T$ 표본(sample) 여러 개 생성하기¶ $$ S_T = S_0 exp \left(\left(r-d-\frac{1}{2}\sigma^2 \right)T + \sigma W_T \right)\\ W_T \sim \mathcal{N}\left(0,\sqrt{T}^2\right)\\ z \text{ : 정규화된
[Julia, Finance] Black-Sholes Equation 예제 – 델타원 가격 시뮬레이션 더 읽기"
