Presentation en anglais avec traduction simultanée.

Résumé:

Cette présentation fournira des exemples de modèles de mélange fondés sur la théorie qui peuvent améliorer les prévisions et fournir de meilleures bases de décision. Les modèles (qu’ils soient cognitifs ou statistiques) sont de plus en plus importants pour séparer les signaux du bruit. Il est important de modéliser les moments de distribution d’ordre supérieur et leur interdépendance plutôt que de modéliser les moments individuels de manière isolée. Je discuterai de la puissance des modèles de mélange pour capturer la dynamique (par exemple, le changement de forme) des distributions. Les modèles de séries chronologiques non linéaires flexibles qui en résultent peuvent être disciplinés avec une structure paramétrique dérivée de la théorie et des a priori sensibles, les distinguant des modèles non linéaires en boîte noire. Les fondamentaux, qui sont traités comme latents dans les modèles de séries chronologiques dynamiques, peuvent être utilisés pour mieux comprendre les sources de la dynamique et prévoir les points de changement. Par exemple, les analyses textuelles convertissant des informations qualitatives (par exemple, les actualités) en mesures quantitatives (par exemple, le sentiment) peuvent être utiles pour capturer la dynamique des paramètres de mélange. Je montrerai ensuite comment une représentation théorique du comportement (un noyau de tarification non linéaire dérivé d'une fonction de préférence généralisée) peut être utilisée pour évaluer dans quelle mesure les participants se soucient de la dynamique des distributions de rendement des actions (le risque extrême est évalué).