|
|
Expectation-Maximization Algoritmus
Vichr, Jaroslav ; Pešta, Michal (vedoucí práce) ; Zvára, Karel (oponent)
EM (Expectation-Maximization) algoritmus je iterativní metoda sloužící k nalezení odhadu maximální věrohodnosti v případech, kdy buď data obsahují chybějící hodnoty, nebo předpokladem existence dalších skrytých proměnných může dojít ke zjednodušení modelu. Každá jeho iterace se skládá ze dvou částí. V kroku E (expectation) vytváříme očekávání logaritmované věrohodnosti úplných dat, která je podmíněna daty pozorovanými a také současným odhadem zkoumaného parametru. Krok M (maximization) následně hledá nový odhad, který bude maximalizovat funkci získanou v předchozí části a který se následně použije v další iteraci v kroku E. EM algoritmus má významné využití např. v oceňování a řízení rizik portfolia.
|
|
|
Ekonometrické modely pro český pojistný trh
Vichr, Jaroslav ; Cipra, Tomáš (vedoucí práce) ; Pešta, Michal (oponent)
Vztahy mezi jednotlivými pojistnými proměnnými představujícími finanční toky českého pojistného trhu je možné efektivně modelovat s využitím dynamické soustavy lineárních simultánních rovnic. Zdrojem podkladových dat k sestavení takového modelu mohou být veřejně dostupné výroční zprávy České asociace pojišťoven. Výsledný model může najít své využití především k predikci budoucího vývoje finančních toků na základě historických pozorování a k analýze možných scénářů. Právě tento rozbor potenciálních prognóz a jejich důsledků nabízí náhled na to, jak např. budoucí pokles nově uzavřených pojistných smluv ovlivní očekávanou výši nákladů na pojistná plnění nebo objem předepsaného pojistného.
|
|
|
Expectation-Maximization Algoritmus
Vichr, Jaroslav ; Pešta, Michal (vedoucí práce) ; Zvára, Karel (oponent)
EM (Expectation-Maximization) algoritmus je iterativní metoda sloužící k nalezení odhadu maximální věrohodnosti v případech, kdy buď data obsahují chybějící hodnoty, nebo předpokladem existence dalších skrytých proměnných může dojít ke zjednodušení modelu. Každá jeho iterace se skládá ze dvou částí. V kroku E (expectation) vytváříme očekávání logaritmované věrohodnosti úplných dat, která je podmíněna daty pozorovanými a také současným odhadem zkoumaného parametru. Krok M (maximization) následně hledá nový odhad, který bude maximalizovat funkci získanou v předchozí části a který se následně použije v další iteraci v kroku E. EM algoritmus má významné využití např. v oceňování a řízení rizik portfolia.
|
host ::
RSS.