Оглавление
Группа авторов. Байесовские сети в прогнозировании рынков
Часть I: Введение в байесовские сети и финансовые рынки
Глава 1: Основы прогнозирования финансовых рынков
1.1. Особенности финансовых данных: волатильность, шумы, нестационарность
1.2. Традиционные методы прогнозирования (технический и фундаментальный анализ)
1.3. Ограничения классических статистических моделей (ARIMA, GARCH)
1.4. Роль машинного обучения и искусственного интеллекта
Глава 2: Введение в байесовскую статистику
2.1. Теорема Байеса: от априорных знаний к апостериорным выводам
2.2. Байесовский vs. частотный подход: преимущества для финансов
2.3. Основные концепции: условная вероятность, маргинализация, цепи Маркова
Глава 3: Байесовские сети: теория и структура
3.1. Что такое байесовская сеть? Графы, узлы и зависимости
3.2. Типы сетей: статические, динамические, гибридные
3.3. Обучение сетей: параметрическое и структурное
3.4. Программные инструменты (Python, R, библиотеки: PyMC3, Stan, BayesPy)
Часть II: Применение байесовских сетей в финансах
Глава 4: Моделирование рыночных данных
4.1. Особенности данных фондового рынка (ликвидность, макроэкономические факторы)
4.2. Анализ валютных пар на Форексе: влияние геополитики и процентных ставок
4.3. Криптовалюты: высокая волатильность и роль социальных медиа
Глава 5: Построение базовых моделей
5.1. Выбор переменных: цены, объемы, индикаторы (RSI, MACD)
5.2. Создание априорных распределений на исторических данных
5.3. Пример: прогнозирование цены Bitcoin с использованием простой сети
5.4. Валидация модели: бэктестинг и оценка точности
Глава 6: Динамические байесовские сети (DBN)
6.1. Моделирование временных рядов: скрытые марковские модели (HMM)
6.2. Учет структурных изменений рынка (режимы волатильности)
6.3. Пример: предсказание крахов на фондовом рынке
Часть III: Продвинутые методы и кейсы
Глава 7: Интеграция внешних факторов
7.1. Макроэкономические показатели (ВВП, инфляция, ставки ЦБ)
7.2. Новостной анализ и обработка естественного языка (NLP)
7.3. Социальные сети и Sentiment Analysis для криптовалют
Глава 8: Гибридные модели
8.1. Комбинация с глубоким обучением (нейробайесовские сети)
8.2. Ансамбли моделей: байесовские сети + "Random Forest"
8.3. Пример: прогнозирование курса EUR/USD с учетом новостей
Глава 9: Риск-менеджмент и оптимизация портфеля
9.1. Оценка вероятностей кризисных сценариев
9.2. Байесовский подход к диверсификации активов
9.3. Оптимизация стратегий с учетом неопределенности
Часть IV: Практические рекомендации и этика
Глава 10: Реализация моделей в реальной торговле
10.1. Автоматизация трейдинга: интеграция с API бирж (Binance, NYSE)
10.2. Латентность и требования к вычислительным ресурсам
10.3. Юридические аспекты алгоритмической торговли
Глава 11: Этические вопросы и ограничения
11.1. Риски переобучения и "самоисполняющихся прогнозов"
11.2. Манипуляции рынком и ответственность аналитика
11.3. Будущее байесовских сетей: перспективы и вызовы
Заключение
Приложения
Глоссарий терминов
