Esta es la prueba de cierre. Seis lecciones construyeron una sola idea implacable: una probabilidad es un grado de creencia, y cada brizna de evidencia la actualiza. Empezasteis con la a priori, multiplicasteis por la verosimilitud y renormalizasteis hasta obtener la a posteriori. Aprendisteis a invertir correctamente — sin confundir nunca la probabilidad de los datos dada la hipótesis con la probabilidad de la hipótesis dados los datos — y a anclaros en las tasas base para que la falacia del fiscal nunca os engañe. Conocisteis las a priori conjugadas, donde una Beta se convierte en una a posteriori Beta por simple recuento, la media ponderada por precisión Normal-Normal que mezcla una a priori sobre el rendimiento con datos ruidosos, la contracción y Black-Litterman como Bayes disfrazado de cartera, y los intervalos de credibilidad y MCMC para cuando la a posteriori es demasiado enrevesada para integrarla a mano. Sin hoja de fórmulas, sin pistas, sin marcha atrás: cada respuesta se bloquea en cuanto la enviáis, las opciones erróneas son las trampas exactas que engañan a analistas reales, y vuestra puntuación permanece oculta hasta el final.
Cómo funciona este examen
Este es un examen con nota. Las preguntas llegan de una en una. Una vez que enviáis una respuesta, es definitiva — no hay vuelta atrás, no hay segundo intento, y una respuesta equivocada simplemente suspende esa pregunta. Vuestra puntuación permanece oculta hasta el final, donde necesitáis un 70% para aprobar. Leed todas las opciones antes de decidir.
En la visión bayesiana, ¿qué representa realmente una probabilidad de 0,7 de que una estrategia sea rentable?
Selecciona una respuesta para continuar.
¿Aprobado? Esto es lo que ahora dominas
Puedes leer cualquier probabilidad como una creencia y actualizarla correctamente: a priori por verosimilitud, renormalizada en una a posteriori. Nunca inviertes P(datos dada hipótesis) en P(hipótesis dados datos) por accidente, te anclas en las tasas base con frecuencias naturales, y tratas una a priori Beta o una a priori de rendimiento como pseudodatos mezclados con la evidencia mediante ponderación por precisión. Reconoces la contracción y Black-Litterman como Bayes vestido de cartera, mantienes los intervalos de credibilidad y de confianza bien separados, y echas mano de MCMC — con la convergencia comprobada — cuando la a posteriori se niega a ser integrada.
Visión de conjunto
Finanzas bayesianas — todo el instrumental
- Finanzas bayesianas
- A priori, verosimilitud, a posteriori
- La probabilidad es un grado de creencia
- La a posteriori es proporcional a la a priori por la verosimilitud
- Los datos fuertes arrollan una a priori débil
- Regla de Bayes y tasas base
- Nunca confundas P(D dado H) con P(H dado D)
- La falacia del fiscal ignora la tasa base
- Las frecuencias naturales mantienen visible la tasa base
- A priori conjugadas
- Beta entra, Beta sale: solo suma victorias y derrotas
- Los parámetros de la a priori son pseudorrecuentos
- La actualización secuencial equivale a la por lotes
- Actualizar rendimiento y volatilidad
- Media ponderada por precisión Normal-Normal
- Las precisiones se suman, así que la a posteriori se estrecha
- Más datos afilan la estimación
- Contracción y Black-Litterman
- James-Stein supera a las medias en bruto para tres o más
- Los rendimientos de equilibrio son la a priori
- Las opiniones son evidencia ponderada por la confianza
- Intervalos de credibilidad y MCMC
- El de credibilidad da una probabilidad directa; el de confianza no
- Metropolis muestrea lo que no puedes integrar
- Más muestras nunca arreglan la no convergencia
- A priori, verosimilitud, a posteriori
Eso son las finanzas bayesianas, de principio a fin. Ahora dominas la maquinaria que convierte creencia y evidencia en estimaciones calibradas y actualizables — y la disciplina de invertir correctamente, ponderar por precisión y cuantificar la incertidumbre con honestidad en lugar de fingir que no existe.