不确定性和模糊性条件下资产定价的准确评估

图中的结果显示了两个参数的潜在解决方案，以表示完全由价格动态路径检验的后验路径。9（A）（B）图2：（A）给出了生成资产定价数据正态分布的示例，以及（B）给出了对该数据应用贝叶斯推理的示例10通过贝叶斯推理的性能差异取决于后验路径是否可能是真的。如果标准差平方的一项变化非常大，那么可能有足够多的未得到消息来描述最初的降价。相反，如果变化很小，那么信号是不相关的，以至于后验值对任何给定的新闻都不会有很大的变化。这表明，资产价格动态可以根据好消息或坏消息进行管理，这是基于贝叶斯推断的后验结果，贝叶斯推断是根据具有外推预期的资产定价信息进行估计的，显示了一段时间内的价格路径。通过对贝叶斯网络的后验值应用相关熵，每个时间序列的这些变化之间的相似性可以表明每个序列之间的外推偏差。换句话说，当correntropy value资产定价两个系列在图中彼此接近时，这意味着它们的资产价格没有显著变化，否则价格会发生很大变化，我们必须考虑为什么会发生这种变化，如图3所示。实证结果揭示了如何使用BIC技术对资产定价及其属性进行有效建模。

基于贝叶斯网络机制，所有价格运动都显示出对未来增长的信念变化。具体而言，由于市场贡献者预计消费量会随着时间的推移持续下降，价格出现了最初的下降。“坏消息”一词加剧了可预测的长期下跌。另一方面，可以利用贝叶斯网络的后验概率估计资产价格的模糊性和不确定性信息。这可以基于代理从市场上资产价格的事先信息开始进行，随着时间的推移，资产价格没有任何变化。11图3：资产定价不同时间序列数据的相关熵。利用相关熵对后验概率进行建模，可以描述资产定价的偏差及其随时间变化的特征，表明关于未来这些动态中可能发生的情况的信息的模糊性。例如，相关熵的两个信号之间的巨大差异表明资产定价存在不确定性。为了进一步解释，未来的坏消息可以被宣布为两个连续资产定价相关熵之间的巨大差异，而未来的好消息可以被两个连续资产定价相关熵解释。结论本文介绍了贝叶斯推理和相关熵（BIC）技术，用于精确评估日常市场中的资产定价。该技术确定了资产价格的模糊和不确定信息的内在过程。

贝叶斯推理方法用于设计消费资产定价模型，以检查资产定价数据的变化，而相关熵用于检查资产定价任意两个时间序列之间的差异，并创建其随时间变化的特征。这表明，未来资产定价的动态信息是否会模棱两可。结果表明，利用BIC技术可以有效地估计和预测资产价格的变化。未来，所提出的技术将被扩展应用于实际资产定价数据，以显示其效率。12参考文献1。Hirshleifer、David、Jun Li和Jianfeng Yu。“具有外推预期的生产经济体的资产定价。”《货币经济学杂志》76（2015）：87-106。康迪、斯科特和贾扬特诉甘古利。“模棱两可的私人信息的定价效应。”(2016).  福斯特、安德烈亚斯、本杰明·赫伯特和大卫·莱布森。“自然预期、宏观经济动态和资产定价。”NBER宏观经济学年报26.1（2012）：1-48。Tversky、Amos和Daniel Kahneman。“不确定性下的判断：启发式和偏见。”《科学》185.4157（1974）：1124-1131。Benjamin、Daniel J.、Matthew Rabin和Collin Raymond。“不相信大数定律的模型。”《欧洲经济协会杂志》14.2（2016）：515-544。韦尔奇、伊沃和阿米特·戈亚尔。“全面审视股票溢价预测的实证表现。”《金融研究评论》21.4（2007）：1455-1508。科克伦，约翰·H.“不吠叫的狗：对回归可预测性的辩护。”《金融研究评论》21.4（2007）：1533-1575。Barberis、Nicholas等。

“X-CAPM：外推资本资产定价模型。”《金融经济学杂志》115.1（2015）：1-24。Boldrin、Michele、Lawrence J.Christiano和Jonas DM Fisher。“习惯持续性、资产回报和商业周期。”《美国经济评论》（2001）：149-166。10、Brrenner，M.，&Izhakian，Y.Y.（2015）。资产定价和模糊性：经验证据。11、Bolstad，W.M.，&Curran，J.M.（2016）。贝叶斯统计简介。约翰·威利父子公司。12、Chen，B.，Liu，X.，Zhao，H.，和Príncipe，J.C.（2017）。最大相关熵卡尔曼滤波器。Automatica，76，70-77。13、Kevin J.Lansing，“投机增长、过度反应和技术驱动泡沫的福利成本。”《经济行为与组织杂志》83.3（2012）：461-483。Bansal、Ravi和Ivan Shaliastovich。“信心风险和资产价格。”《美国经济评论》100.2（2010）：537-41.13 15。X-CAPM：外推资本资产定价模型《金融经济学杂志》115.1（2015）：1-24。科林·杜弗雷纳、皮埃尔、迈克尔·约翰内斯和拉尔斯·A·洛克斯托。“当‘此时间不同’时的资产定价。”《金融研究回顾》30.2（2016）：505-535。17、Porta，Rafael La等人，“价值股的好消息：市场效率的进一步证据。”《金融杂志》52.2（1997）：859-874。18、Avgerou、Chrisanthi和Geoff Walsham编辑，《背景下的信息技术：发展中国家视角的研究：发展中国家视角的研究》。劳特利奇，2017年。Brown，Wilson B.《市场、组织和信息：超越产业组织的二分法》。Elsevier，2017年。20、Lei、Yu、Ali Alper Yayla和Surinder Kahai。

“引导群体：参考群体在众筹决策中的作用。”(2017). Pierre Pinson。“风能：预测其运营管理面临的挑战。”统计科学（2013）：564-585。哈利姆、爱德华、约哈内斯·E·里扬托和尼兰·罗伊。“昂贵的信息获取、社交网络和资产价格：实验证据。”(2017). 坎贝尔，J.Y.，&汤普森，S.B.（2007）。从样本中预测超额股票回报：有什么能超过历史平均水平吗？。《金融研究评论》，21（4），1509-1531年。24、Welch，I.，&Goyal，A.（2007）。全面审视股票溢价预测的实证表现。《金融研究评论》，21（4），1455-1508。25.Barberis，N.（2000年）。在回报可预测的情况下进行长期投资。《金融杂志》，55（1），225-264。26、Lettau，M.，&Van Nieuwerburgh，S.（2007）。核对回报可预测性证据：财务研究回顾：核对回报可预测性证据。《金融研究评论》，21（4），1607-1652。Bannigidadmath，D.，&Narayan，P.K.（2016）。股票回报的可预测性以及可预测性和利润的决定因素。《新兴市场评论》，第26153-173页。28、Leippold，M.、特洛伊尼，F.，&瓦尼尼，P.（2008）。模糊信息下的学习和资产价格。《金融研究评论》，21（6），2565-2597。