Diegolden

Tema 4: Árboles de probabilidad y expectativas condicionales

Se lee en 16 min

Tema 4: Árboles de probabilidad y expectativas condicionales

Objetivos de aprendizaje

Al final de este tema, debería poder:

  1. Calcule los valores esperados, las variaciones y las desviaciones estándar y demuestre su aplicación a problemas de inversión.
  2. Formule un problema de inversión como un árbol de probabilidad y explique el uso de expectativas condicionales en la aplicación de inversiones.
  3. Calcule e interprete una probabilidad actualizada en un entorno de inversión utilizando la fórmula de Bayes

Conceptos básicos: la base

Análisis de probabilidad y decisión

La teoría de la probabilidad forma la columna vertebral de las finanzas cuantitativas, permitiéndonos modelar la incertidumbre y tomar decisiones informadas bajo riesgo. A partir de las medidas estadísticas del Tema 3, este tema se centra en tres herramientas críticas:

  • Árboles de probabilidad: representaciones visuales de eventos secuenciales y sus probabilidades
  • Expectativas condicionales: valores esperados actualizados con nueva información
  • Teorema de Bayes: un marco para actualizar creencias basado en evidencia

Estos conceptos son esenciales para la gestión de carteras, la evaluación de riesgos y la valoración tanto en aplicaciones de finanzas tradicionales como de finanzas descentralizadas (DeFi).

Objetivo de aprendizaje 1: valores esperados, variaciones y desviaciones estándar

Concepto central: medidas estadísticas de riesgo y rendimiento

Valor esperado (E[X]) representa el resultado promedio de una variable aleatoria en muchos ensayos. En finanzas, es el rendimiento medio que anticipamos de una inversión.

La varianza (Var(X) o σ²) mide la dispersión de los resultados alrededor del valor esperado, indicando el nivel de incertidumbre o riesgo.

La desviación estándar (σ) es la raíz cuadrada de la varianza, expresada en las mismas unidades que los datos originales, lo que la hace más intuitiva para la evaluación de riesgos.

Fórmulas y cálculos

Para variables aleatorias discretas:

Valor esperado: formula

E[X] = Σ P(xi) × xi

Donde P(xi) es la probabilidad del resultado xi

Varianza: formula

Var(X) = E[X²] - [E(X)]²
or
Var(X) = Σ P(xi) × [xi - E(X)]²

Desviación estándar: formula

σ = √Var(X)

Para variables aleatorias continuas:

Valor esperado:

E[X] = ∫ x × f(x) dx

Varianza:

Var(X) = ∫ [x - E(X)]² × f(x) dx

Pasos de la calculadora HP 12C

Calcular el valor esperado y la desviación estándar:

  1. Borrar calculadora: f CLX
  2. Ingrese puntos de datos y probabilidades:
    • Enter return: 20 ENTER
    • Enter probability: 0.3 Σ+
    • Enter return: 10 ENTER
    • Enter probability: 0.5 Σ+
    • Enter return: -5 ENTER
    • Enter probability: 0.2 Σ+
  3. Calcular la media: g x̄ (muestra el rendimiento esperado)
  4. Calcular la desviación estándar: g s (muestra la desviación estándar)

Ejemplos prácticos

Ejemplo 1: Análisis de rentabilidad de acciones

Una acción tecnológica tiene los siguientes escenarios de rentabilidad:

  • Mercado alcista: rentabilidad del 25%, probabilidad 0,3
  • Mercado normal: 12% de rentabilidad, probabilidad 0,5
  • Mercado bajista: -8% de rentabilidad, probabilidad 0,2

Cálculos:

E[R] = (0.3 × 25%) + (0.5 × 12%) + (0.2 × -8%)
E[R] = 7.5% + 6% - 1.6% = 11.9%

Var(R) = 0.3(25-11.9)² + 0.5(12-11.9)² + 0.2(-8-11.9)²
Var(R) = 0.3(171.61) + 0.5(0.01) + 0.2(396.01)
Var(R) = 51.48 + 0.005 + 79.20 = 130.69

σ = √130.69 = 11.43%

Ejemplo 2: Análisis de cartera de bonos

Una cartera de bonos corporativos con escenarios de riesgo crediticio:

  • Sin incumplimiento: 6% de rentabilidad, probabilidad 0,85
  • Incumplimiento parcial: -15% de rentabilidad, probabilidad 0,12
  • Incumplimiento total: -80% de rentabilidad, probabilidad 0,03Retorno esperado: 6%(0,85) + (-15%)(0,12) + (-80%)(0,03) = 5,1% - 1,8% - 2,4% = 0,9%

Evaluación de riesgos: Desviación estándar alta debido al riesgo de cola de los escenarios de incumplimiento.

Aplicación DeFi: rentabilidad del fondo de liquidez

Rendimientos esperados del creador de mercado automatizado (AMM)

Los cálculos del valor esperado son esenciales para evaluar las estrategias de DeFi donde los resultados dependen de las condiciones volátiles del mercado. Considere proporcionar liquidez a un grupo ETH/USDC en Uniswap con los siguientes escenarios: defi-application

Análisis de escenario:

  • Alta volatilidad (movimiento de precios del 50%): -5% de rendimiento debido a pérdida no permanente, probabilidad 0,2
  • Volatilidad media (movimiento de precios del 20%): +8% de retorno de las comisiones menos pérdida no permanente, probabilidad 0,6
  • Baja volatilidad (movimiento de precios del 5%): +12% de rentabilidad principalmente por comisiones, probabilidad 0,2

Cálculos:

E[R] = 0.2(-5%) + 0.6(8%) + 0.2(12%) = -1% + 4.8% + 2.4% = 6.2%

Variance calculation:
Var(R) = 0.2(-5-6.2)² + 0.6(8-6.2)² + 0.2(12-6.2)²
Var(R) = 0.2(125.44) + 0.6(3.24) + 0.2(33.64)
Var(R) = 25.09 + 1.94 + 6.73 = 33.76

σ = √33.76 = 5.81%

Análisis de riesgos de contratos inteligentes

Escenarios de seguridad del protocolo:

  • Sin exploit: 15% APY, probabilidad 0,92
  • Explotación menor (pérdida parcial): -20% de retorno, probabilidad 0,06
  • Explotación importante (pérdida total): -100% de retorno, probabilidad 0,02

Retorno esperado:

E[R] = 0.92(15%) + 0.06(-20%) + 0.02(-100%)
E[R] = 13.8% - 1.2% - 2% = 10.6%

Este análisis ayuda a los usuarios de DeFi a comprender los rendimientos ajustados al riesgo de las estrategias de cultivo de rendimiento.

Objetivo de aprendizaje 2: árboles de probabilidad y expectativas condicionales

Concepto central: análisis de decisiones secuenciales

Árboles de probabilidad son herramientas gráficas que trazan todos los resultados posibles de una serie de eventos y muestran:

  • La secuencia de eventos.
  • La probabilidad de cada resultado.
  • Los pagos o resultados finales

Expectativas condicionales representan el valor esperado de una variable aleatoria dado que ha ocurrido información o eventos específicos.

Fórmulas y cálculos

Fórmula de expectativa condicional:

E[X|A] = Σ P(xi|A) × xi

Donde P(xi|A) es la probabilidad condicional del resultado xi dado el evento A.

Probabilidad conjunta:

P(A ∩ B) = P(A|B) × P(B) = P(B|A) × P(A)

Regla de probabilidad total:

P(B) = Σ P(B|Ai) × P(Ai)

Ejemplos prácticos

Ejemplo 1: Decisión de inversión en varias etapas

Un inversor está considerando una inversión de capital riesgo en dos etapas:

Etapa 1 - Condiciones Económicas:

  • Expansión (probabilidad 0,6)
  • Recesión (probabilidad 0,4)

Etapa 2 - Desempeño de la Empresa (condicionado a las condiciones económicas):

Expansión dada:

  • Alto crecimiento: 200% de rentabilidad, probabilidad 0,4
  • Crecimiento moderado: 50% de rentabilidad, probabilidad 0,5
  • Disminución: -30% de rentabilidad, probabilidad 0,1

Dada la recesión:

  • Supervivencia: 20% de rentabilidad, probabilidad 0,3
  • Lucha: -20% de retorno, probabilidad 0,5
  • Fracaso: -80% de rentabilidad, probabilidad 0,2

Cálculo del árbol de probabilidad:

Path Probabilities:
P(Expansion ∩ High) = 0.6 × 0.4 = 0.24
P(Expansion ∩ Moderate) = 0.6 × 0.5 = 0.30
P(Expansion ∩ Decline) = 0.6 × 0.1 = 0.06
P(Recession ∩ Survival) = 0.4 × 0.3 = 0.12
P(Recession ∩ Struggle) = 0.4 × 0.5 = 0.20
P(Recession ∩ Failure) = 0.4 × 0.2 = 0.08

Overall Expected Return:
E[R] = 0.24(200%) + 0.30(50%) + 0.06(-30%) + 0.12(20%) + 0.20(-20%) + 0.08(-80%)
E[R] = 48% + 15% - 1.8% + 2.4% - 4% - 6.4% = 53.2%

Conditional Expected Returns:
E[R|Expansion] = 0.4(200%) + 0.5(50%) + 0.1(-30%) = 80% + 25% - 3% = 102%
E[R|Recession] = 0.3(20%) + 0.5(-20%) + 0.2(-80%) = 6% - 10% - 16% = -20%

Ejemplo 2: Análisis de transición de calificación crediticia

Un gestor de cartera de bonos analiza la migración crediticia a lo largo de un año:

Calificación crediticia inicial: BBB

  • Actualización a A: probabilidad 0,15, precio del bono +8%
  • Seguir siendo BBB: probabilidad 0,70, precio del bono +3%
  • Rebaja a BB: probabilidad 0,12, precio del bono -15%
  • Incumplimiento: probabilidad 0,03, precio del bono -60%

Retorno esperado:

E[R] = 0.15(8%) + 0.70(3%) + 0.12(-15%) + 0.03(-60%)
E[R] = 1.2% + 2.1% - 1.8% - 1.8% = -0.3%

Aplicación DeFi: estrategia de cultivo de rendimiento

Estrategia de rendimiento multiprotocolo

Considere una estrategia de cultivo de rendimiento en múltiples protocolos DeFi:Árbol de selección de protocolo:

Etapa 1 - Condiciones del Mercado:

  • Mercado alcista (probabilidad 0,4)
  • Mercado lateral (probabilidad 0,4)
  • Mercado bajista (probabilidad 0,2)

Etapa 2 - Elección del protocolo (condicional al mercado):

Estrategia de mercado alcista:

  • Protocolo de alto riesgo: 300% APY, probabilidad 0,6
  • Protocolo de riesgo medio: 80% APY, probabilidad 0,4

Estrategia de mercado lateral:

  • Protocolo de riesgo medio: 60% APY, probabilidad 0,7
  • Protocolo de bajo riesgo: 25% APY, probabilidad 0,3

Estrategia de mercado bajista:

  • Protocolo de bajo riesgo: 15% APY, probabilidad 0,8
  • Cultivo de monedas estables: 8% APY, probabilidad 0,2

Etapa 3: Resultados del riesgo del protocolo:

Resultados del protocolo de alto riesgo:

  • Éxito: alcanzar el APY objetivo, probabilidad 0,7
  • Explotación parcial: -30% de la inversión, probabilidad 0,2
  • Explotación total: -100% de la inversión, probabilidad 0,1

Resultados del protocolo de riesgo medio:

  • Éxito: alcanzar el APY objetivo, probabilidad 0,85
  • Explotación parcial: -20% de la inversión, probabilidad 0,12
  • Explotación total: -100% de la inversión, probabilidad 0,03

Resultados del protocolo de bajo riesgo:

  • Éxito: alcanzar el APY objetivo, probabilidad 0,95
  • Emisión menor: -5% de la inversión, probabilidad 0,04
  • Problema importante: -50% de la inversión, probabilidad 0,01

Cálculo de rentabilidad esperada:

Bull Market Expected Return:
High-risk path: 0.4 × 0.6 × [0.7(300%) + 0.2(-30%) + 0.1(-100%)]
              = 0.24 × [210% - 6% - 10%] = 0.24 × 194% = 46.56%

Medium-risk path: 0.4 × 0.4 × [0.85(80%) + 0.12(-20%) + 0.03(-100%)]
                = 0.16 × [68% - 2.4% - 3%] = 0.16 × 62.6% = 10.02%

Bull Market Total: 46.56% + 10.02% = 56.58%

Overall Strategy Expected Return:
Bull: 56.58% (weight 0.4)
Sideways: [calculation similar] = 32.15% (weight 0.4)
Bear: [calculation similar] = 8.94% (weight 0.2)

Total E[R] = 0.4(56.58%) + 0.4(32.15%) + 0.2(8.94%) = 37.27%

Expectativas condicionales en DeFi

Dado el mercado alcista: E[R|Bull] = 56,58% / 0,4 = 141,45% Dado el mercado bajista: E[R|Bear] = 8,94% / 0,2 = 44,7%

Este análisis muestra cómo los rendimientos esperados varían drásticamente según las condiciones del mercado, lo que ayuda a los inversores de DeFi a ajustar sus estrategias en consecuencia.

Objetivo de aprendizaje 3: Fórmula de Bayes y probabilidades actualizadas

Concepto central: actualización bayesiana

El Teorema de Bayes proporciona un marco matemático para actualizar las creencias cuando hay nueva información disponible. Este es uno de los conceptos de probabilidad que se prueban con más frecuencia en el examen de finanzas y tiene aplicaciones directas en el análisis crediticio, la detección del régimen de mercado y el monitoreo de la seguridad de DeFi. exam-focus

Es fundamental:

  • Evaluación del riesgo crediticio
  • Detección de anomalías en el mercado.
  • Refinamiento del algoritmo
  • Gestión de riesgos

Fórmulas y cálculos

Teorema de Bayes: formula exam-focus

P(A|B) = [P(B|A) × P(A)] / P(B)

donde:

  • P(A|B) = Probabilidad posterior (creencia actualizada)
  • P(B|A) = Probabilidad (probabilidad de evidencia dada la hipótesis)
  • P(A) = Probabilidad previa (creencia inicial)
  • P(B) = Probabilidad total de evidencia

Formulario extendido con múltiples hipótesis:

P(Ai|B) = [P(B|Ai) × P(Ai)] / [Σ P(B|Aj) × P(Aj)]

Implementación de HP 12C

Como HP 12C no tiene funciones bayesianas directas, calculamos paso a paso:

  1. Calcular numerador: P(B|A) × P(A)
  2. Calcular el denominador: Probabilidad total usando la ley de probabilidad total
  3. División: Numerador ÷ Denominador

Ejemplos prácticos

Ejemplo 1: Predicción de incumplimiento crediticio

Un banco utiliza un modelo de calificación crediticia para evaluar la probabilidad de incumplimiento:

Información previa:

  • P(Predeterminado) = 0,05 (tasa de incumplimiento histórica del 5%)
  • P(Sin valor predeterminado) = 0,95

Nueva información: El puntaje crediticio cae significativamente- P(Caída de puntuación|Predeterminado) = 0,80 (probabilidad de caída de puntuación dado el valor predeterminado)

  • P(Caída de puntuación|Sin valor predeterminado) = 0,15 (probabilidad de caída de puntuación si no hay valor predeterminado)

Pregunta: ¿Cuál es la probabilidad de incumplimiento actualizada dada la caída del puntaje?

Solución utilizando el teorema de Bayes:

Step 1: Calculate total probability of score drop
P(Score Drop) = P(Score Drop|Default) × P(Default) + P(Score Drop|No Default) × P(No Default)
P(Score Drop) = 0.80 × 0.05 + 0.15 × 0.95 = 0.04 + 0.1425 = 0.1825

Step 2: Apply Bayes' theorem
P(Default|Score Drop) = [P(Score Drop|Default) × P(Default)] / P(Score Drop)
P(Default|Score Drop) = [0.80 × 0.05] / 0.1825 = 0.04 / 0.1825 = 0.219

Updated default probability: 21.9% (up from 5%)

Ejemplo 2: Detección del régimen de mercado

Un administrador de inversiones quiere determinar si el mercado se encuentra en un régimen bajista basándose en el desempeño reciente.

Creencias previas:

  • P(mercado bajista) = 0,20
  • P (mercado alcista) = 0,80

Evidencia observada: El mercado cayó un 10% en un mes

  • P(10% de disminución|Bajo) = 0,60
  • P(10% de caída|Alcista) = 0,05

Probabilidad actualizada:

P(10% Decline) = 0.60 × 0.20 + 0.05 × 0.80 = 0.12 + 0.04 = 0.16

P(Bear|10% Decline) = [0.60 × 0.20] / 0.16 = 0.12 / 0.16 = 0.75

P(Bull|10% Decline) = [0.05 × 0.80] / 0.16 = 0.04 / 0.16 = 0.25

La probabilidad de estar en un mercado bajista aumentó del 20% al 75%.

Aplicación DeFi: Evaluación de seguridad de contratos inteligentes

El razonamiento bayesiano es particularmente poderoso en la seguridad de DeFi, donde los sistemas de monitoreo deben actualizar continuamente la probabilidad de un exploit en función de la evidencia entrante en la cadena. defi-application

Ejemplo 1: Detección de vulnerabilidades de protocolo

Una empresa de seguridad DeFi monitorea los protocolos en busca de posibles exploits:

Evaluación previa:

  • P(Vulnerable) = 0,10 (10% de los protocolos tienen vulnerabilidades críticas)
  • P(Seguro) = 0,90

Nueva evidencia: Se detectó un patrón de transacción inusual

  • P(Patrón inusual|Vulnerable) = 0,85
  • P(Patrón inusual|Seguro) = 0,03

Actualización bayesiana:

P(Unusual Pattern) = 0.85 × 0.10 + 0.03 × 0.90 = 0.085 + 0.027 = 0.112

P(Vulnerable|Unusual Pattern) = [0.85 × 0.10] / 0.112 = 0.085 / 0.112 = 0.759

Updated vulnerability probability: 75.9% (up from 10%)

Este aumento significativo justifica una investigación inmediata y posibles advertencias para los usuarios.

Ejemplo 2: Optimización de la estrategia de producción agrícola

Un productor de rendimiento utiliza la actualización bayesiana para evaluar la confiabilidad del protocolo:

Evaluación inicial:

  • P(Alto Rendimiento Sostenible) = 0,30
  • P(El rendimiento disminuirá) = 0,70

Nueva información: Protocol anuncia programa de recompra de tokens

  • P(Recompra|Sostenible) = 0,80
  • P(Recompra|Caerá) = 0,20

Evaluación actualizada:

P(Buyback) = 0.80 × 0.30 + 0.20 × 0.70 = 0.24 + 0.14 = 0.38

P(Sustainable|Buyback) = [0.80 × 0.30] / 0.38 = 0.24 / 0.38 = 0.632

Updated sustainability probability: 63.2% (up from 30%)

Ejemplo 3: Análisis de rentabilidad del MEV Bot

Un operador de bot MEV (valor máximo extraíble) evalúa la probabilidad de éxito de la transacción:

Creencia previa:

  • P(Transacción Rentable) = 0,25
  • P(Transacción no rentable) = 0,75

Nueva evidencia: Se detectó un aumento en el precio del gas

  • P(Pico de gas|Rentable) = 0,90 (el nivel alto de gas generalmente significa oportunidades rentables)
  • P(Pico de gas|No rentable) = 0,30

Actualización bayesiana:

P(Gas Spike) = 0.90 × 0.25 + 0.30 × 0.75 = 0.225 + 0.225 = 0.45

P(Profitable|Gas Spike) = [0.90 × 0.25] / 0.45 = 0.225 / 0.45 = 0.50

Updated profitability probability: 50% (up from 25%)

Este análisis ayuda a los robots MEV a decidir si ejecutar operaciones durante los períodos de alto nivel de gas.

Aplicaciones avanzadas de DeFi

1. Análisis de probabilidad de cascada de liquidación

Los protocolos de préstamos DeFi como Aave y Compound enfrentan riesgos de liquidación en cascada durante la volatilidad del mercado. Usando árboles de probabilidad y actualización bayesiana: defi-application

Árbol de escenarios:

  1. Choque de mercado (probabilidad 0,15)
    • Desencadena liquidaciones iniciales
  2. Efectos en cascada (condicionados al shock del mercado)
    • Cascada limitada: probabilidad 0,60
    • Cascada moderada: probabilidad 0,30
    • Cascada severa: probabilidad 0,10

Actualización bayesiana con nueva información: Si observamos actividad inusual en la cadena (grandes transacciones, actividad MEV), podemos actualizar las probabilidades en cascada utilizando el teorema de Bayes.

2. Evaluación de riesgos de manipulación de Oracle

Probabilidades previas:- P(Ataque de Oráculo) = 0,02

  • P(Funcionamiento normal) = 0,98

Indicadores de evidencia:

  • Desviaciones de precios inusuales
  • Picos de volumen en lugares específicos
  • Coordinación de grandes transacciones.

Utilizar el teorema de Bayes para actualizar las probabilidades de ataque basándose en múltiples fuentes de evidencia.

3. Probabilidad de ataque a la gobernanza

Análisis de múltiples etapas:

  1. Fase de acumulación de tokens
    • El atacante acumula tokens de gobernanza.
    • Evaluación de probabilidad basada en la concentración del poder de voto.
  2. Envío de propuesta
    • Detección de propuestas maliciosas
    • Análisis de respuesta de la comunidad.
  3. Ejecución de la votación
    • Probabilidad de éxito basada en patrones de votación históricos.

Resumen de fórmulas clave

Valor esperado y varianza

E[X] = Σ P(xi) × xi
Var(X) = E[X²] - [E(X)]²
σ = √Var(X)

Probabilidad condicional

P(A|B) = P(A ∩ B) / P(B)
E[X|A] = Σ P(xi|A) × xi

Teorema de Bayes

P(A|B) = [P(B|A) × P(A)] / P(B)

Regla de probabilidad total

P(B) = Σ P(B|Ai) × P(Ai)

Problemas de práctica

Problema 1: Estrategia de rendimiento DeFi practice-problem

Un inversor de DeFi asigna fondos a través de tres protocolos con los siguientes rendimientos y probabilidades esperados:

  • Protocolo A: 150% APY, 30% de probabilidad
  • Protocolo B: 80% APY, 50% de probabilidad
  • Protocolo C: 25% APY, 20% de probabilidad

Calcule el rendimiento esperado y la desviación estándar.

Problema 2: Resultados de la auditoría de contratos inteligentes practice-problem

Un protocolo tiene una probabilidad previa del 5% de tener una vulnerabilidad crítica. Una auditoría encuentra un problema de riesgo medio. Dado que:

  • P(Problema medio|Vulnerabilidad crítica) = 0,70
  • P(Problema medio|Sin vulnerabilidad crítica) = 0,15

¿Cuál es la probabilidad actualizada de una vulnerabilidad crítica?

Problema 3: Árbol de riesgo de liquidación practice-problem

Construya un árbol de probabilidad para una posición DeFi apalancada con:

  • 70% de probabilidad de mercados estables (±5% de movimiento de precios)
  • 25% de probabilidad de volatilidad moderada (±20% de movimiento de precios)
  • 5% de probabilidad de alta volatilidad (±50% de movimiento de precios)

Dados diferentes índices de apalancamiento, calcule las probabilidades de liquidación.

Pautas de representación visual

Estructura del árbol de probabilidad

                    Initial Event
                   /             \
            Outcome 1           Outcome 2
           (prob p1)           (prob p2)
              /   \               /   \
         Final 1.1 Final 1.2  Final 2.1 Final 2.2
        (prob q1) (prob q2)  (prob r1) (prob r2)

Proceso de actualización bayesiano

Prior Belief → New Evidence → Likelihood Assessment → Posterior Belief
     ↓              ↓                ↓                    ↓
   P(H)         Observe E         P(E|H)              P(H|E)

Resumen y conclusiones clave

  1. Las medidas de riesgo y valor esperado proporcionan la base para cuantificar los rendimientos de las inversiones y las incertidumbres tanto en contextos tradicionales como de DeFi.

  2. Los árboles de probabilidad permiten el análisis sistemático de escenarios de inversión complejos y de varias etapas, particularmente valiosos para estrategias DeFi con múltiples factores de riesgo.

  3. El Teorema de Bayes ofrece un enfoque basado en principios para actualizar creencias basadas en nueva información, crucial para la gestión dinámica del riesgo en los mercados DeFi en rápida evolución.

  4. Las Aplicaciones DeFi demuestran cómo estos conceptos se aplican a las tecnologías financieras emergentes, desde la optimización del rendimiento agrícola hasta la evaluación de la seguridad de los contratos inteligentes.

  5. La integración de estas herramientas proporciona un marco integral para la toma de decisiones en condiciones de incertidumbre, esencial para el éxito tanto en las finanzas tradicionales como en el ecosistema DeFi en evolución.La combinación de árboles de probabilidad, expectativas condicionales y actualización bayesiana crea un poderoso conjunto de herramientas para navegar en el panorama complejo e incierto de las finanzas modernas, donde la rápida adaptación a nueva información a menudo determina el éxito de la inversión.

Vista gráfica

Retroenlaces