<?xml version="1.0" encoding="UTF-8"?><rss version="2.0"
	xmlns:content="http://purl.org/rss/1.0/modules/content/"
	xmlns:wfw="http://wellformedweb.org/CommentAPI/"
	xmlns:dc="http://purl.org/dc/elements/1.1/"
	xmlns:atom="http://www.w3.org/2005/Atom"
	xmlns:sy="http://purl.org/rss/1.0/modules/syndication/"
	xmlns:slash="http://purl.org/rss/1.0/modules/slash/"
	>

<channel>
	<title>вероятностные модели &#8212; &gt; Machine Learning Guru|</title>
	<atom:link href="https://mlgu.ru/tag/veroyatnostnye-modeli/feed/" rel="self" type="application/rss+xml" />
	<link>https://mlgu.ru</link>
	<description></description>
	<lastBuildDate>Fri, 14 Nov 2025 22:05:03 +0000</lastBuildDate>
	<language>ru-RU</language>
	<sy:updatePeriod>
	hourly	</sy:updatePeriod>
	<sy:updateFrequency>
	1	</sy:updateFrequency>
	<generator>https://wordpress.org/?v=6.9.4</generator>

<image>
	<url>https://mlgu.ru/wp-content/uploads/2025/06/mlguru-icon-150x150.png</url>
	<title>вероятностные модели &#8212; &gt; Machine Learning Guru|</title>
	<link>https://mlgu.ru</link>
	<width>32</width>
	<height>32</height>
</image> 
	<item>
		<title>Матожидание в статистике и трейдинге</title>
		<link>https://mlgu.ru/6108/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Sun, 09 Nov 2025 07:52:11 +0000</pubDate>
				<category><![CDATA[Анализ данных]]></category>
		<category><![CDATA[bootstraping]]></category>
		<category><![CDATA[алгоритмические стратегии]]></category>
		<category><![CDATA[бэктестинг]]></category>
		<category><![CDATA[вероятностные модели]]></category>
		<category><![CDATA[управление рисками]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=6108</guid>

					<description><![CDATA[Математическое ожидание определяет среднее значение случайной величины при бесконечном количестве наблюдений. В трейдинге этот показатель отвечает на вопрос: какую прибыль или убыток принесет стратегия в долгосрочной перспективе. Стратегия с положительным матожиданием доходности генерирует прибыль при достаточном количестве сделок, стратегия с отрицательным — приводит к убыткам независимо от краткосрочных результатов. Понимание матожидания позволяет отделить случайную удачу [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Байесовская статистика и вывод в анализе рынков</title>
		<link>https://mlgu.ru/6056/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Tue, 04 Nov 2025 11:22:25 +0000</pubDate>
				<category><![CDATA[Анализ данных]]></category>
		<category><![CDATA[байесовские модели]]></category>
		<category><![CDATA[бэктестинг]]></category>
		<category><![CDATA[вероятностные модели]]></category>
		<category><![CDATA[математическое моделирование]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=6056</guid>

					<description><![CDATA[Байесовская статистика предоставляет инструменты для решения ключевых проблем количественного анализа: учет режимных сдвигов, калибровка моделей на ограниченных выборках, оптимизация гиперпараметров стратегий и управление риском переобучения. Байесовский подход рассматривает вероятность как степень уверенности в гипотезе, а не как частоту события в бесконечной серии испытаний. Параметры модели становятся случайными величинами с распределениями, которые обновляются по мере поступления [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Экстремальная теория значений (EVT): моделирование хвостовых рисков, оценка VaR и Expected Shortfall</title>
		<link>https://mlgu.ru/5302/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Sun, 12 Oct 2025 16:31:59 +0000</pubDate>
				<category><![CDATA[Анализ данных]]></category>
		<category><![CDATA[вероятностные модели]]></category>
		<category><![CDATA[моделирование риска]]></category>
		<category><![CDATA[управление рисками]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=5302</guid>

					<description><![CDATA[Большинство финансовых моделей с той или иной степенью точности надежно описывают регулярную динамику данных. Однако в моменты кризиса они часто дают сбой, недооценивая риск редких и разрушительных событий. Именно здесь на помощь приходит экстремальная теория значений (Extreme Value Theory, EVT) — мощный математический инструмент для анализа самых критических отклонений. В отличие от классических методов, которые [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Копулы в финансовом моделировании: зависимости между случайными величинами</title>
		<link>https://mlgu.ru/5060/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Wed, 08 Oct 2025 10:54:29 +0000</pubDate>
				<category><![CDATA[Анализ данных]]></category>
		<category><![CDATA[вероятностные модели]]></category>
		<category><![CDATA[корреляции]]></category>
		<category><![CDATA[моделирование риска]]></category>
		<category><![CDATA[оптимизация портфеля]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=5060</guid>

					<description><![CDATA[Копулы — это мощный инструмент в финансовом моделировании, позволяющий описывать сложные зависимости между активами, которые выходят далеко за рамки линейной корреляции. Использование корреляций (в частности Пирсона), несомненно, остаются базой в портфельных моделях, но это адекватно лишь при эллиптических распределениях и линейных связях. В реальности же рынки редко подчиняются этим упрощенным предположениям, что приводит к недооценке [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Тестирование статистических гипотез с помощью Python</title>
		<link>https://mlgu.ru/4993/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Mon, 06 Oct 2025 14:21:25 +0000</pubDate>
				<category><![CDATA[Анализ данных]]></category>
		<category><![CDATA[scipy]]></category>
		<category><![CDATA[statsmodels]]></category>
		<category><![CDATA[вероятностные модели]]></category>
		<category><![CDATA[стат анализ]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=4993</guid>

					<description><![CDATA[Статистические тесты позволяют принимать обоснованные решения на основе данных. В финансовом анализе, исследованиях и разработке моделей машинного обучения проверка гипотез определяет валидность предположений о данных, выявляет значимые различия между группами и подтверждает применимость математических методов. Python предоставляет инструменты для реализации статистических тестов через библиотеки scipy, statsmodels и numpy. Правильное применение этих методов снижает риск ошибочных [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Алгоритмы расчета точек безубыточности стратегий</title>
		<link>https://mlgu.ru/4731/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Fri, 26 Sep 2025 18:07:21 +0000</pubDate>
				<category><![CDATA[Анализ данных]]></category>
		<category><![CDATA[scipy]]></category>
		<category><![CDATA[алгоритмические стратегии]]></category>
		<category><![CDATA[бэктестинг]]></category>
		<category><![CDATA[вероятностные модели]]></category>
		<category><![CDATA[торговые алгоритмы]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=4731</guid>

					<description><![CDATA[Точка безубыточности — это ключевой показатель, который позволяет понять, когда стратегия перестает приносить убытки и начинает работать в плюс. Рассчитав ее, можно оценить устойчивость торговой системы, уровень риска и потенциал роста. В данной статье мы разберем алгоритмы вычисления точек безубыточности, сравним разные подходы, способы применения для повышения эффективности стратегий. Математические основы безубыточности в торговле Традиционная [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Модели переключения режимов (Regime Switching) для моделирования изменений финансовых рынков</title>
		<link>https://mlgu.ru/4572/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Mon, 22 Sep 2025 17:17:24 +0000</pubDate>
				<category><![CDATA[Анализ данных]]></category>
		<category><![CDATA[markov-chains]]></category>
		<category><![CDATA[вероятностные модели]]></category>
		<category><![CDATA[волатильность]]></category>
		<category><![CDATA[математическое моделирование]]></category>
		<category><![CDATA[хеджирование]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=4572</guid>

					<description><![CDATA[В мире количественных финансов существует фундаментальная проблема: многие популярные финансовые модели предполагают стационарность процессов там, где ее попросту нет. Рынки не остаются в одном состоянии &#8212; они переключаются между различными режимами волатильности, тренда и корреляций. Именно здесь модели переключения режимов становятся полезным практическим инструментом для построения эффективных торговых стратегий и управления рисками. Концептуальная основа моделей [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Доверительная вероятность и уровень значимости в финансовом Data Science</title>
		<link>https://mlgu.ru/3565/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Sat, 19 Jul 2025 09:45:29 +0000</pubDate>
				<category><![CDATA[Классический ML]]></category>
		<category><![CDATA[pymc]]></category>
		<category><![CDATA[scipy]]></category>
		<category><![CDATA[sklearn]]></category>
		<category><![CDATA[statsmodels]]></category>
		<category><![CDATA[бэктестинг]]></category>
		<category><![CDATA[вероятностные модели]]></category>
		<category><![CDATA[стат анализ]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=3565</guid>

					<description><![CDATA[В мире Data Science принятие решений на основе данных требует не только вычислений, но и грамотной интерпретации статистических результатов. Одними из ключевых понятий при проверке гипотез являются доверительная вероятность (confidence level) и уровень значимости (significance level). Эти параметры помогают нам определить, насколько можно доверять полученным выводам и где пролегает граница между случайным совпадением и статистически [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Вероятностные модели для прогнозирования цен биржевых активов</title>
		<link>https://mlgu.ru/2500/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Fri, 23 May 2025 13:26:59 +0000</pubDate>
				<category><![CDATA[Нейронные сети]]></category>
		<category><![CDATA[lstm]]></category>
		<category><![CDATA[markov-chains]]></category>
		<category><![CDATA[pymc]]></category>
		<category><![CDATA[pytorch]]></category>
		<category><![CDATA[xgboost]]></category>
		<category><![CDATA[анализ рынков]]></category>
		<category><![CDATA[вероятностные модели]]></category>
		<category><![CDATA[математическое моделирование]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=2500</guid>

					<description><![CDATA[В этой статье я хочу поделиться своим подходом к использованию вероятностных моделей для прогнозирования цен активов. Мы разберем, почему традиционные методы часто подводят, какие подходы применяют профессионалы в хедж-фондах, и как вы можете использовать Python для реализации таких моделей. Моя цель — создать подробное руководство, которое будет полезно как для профессионалов в области data science, [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Основы количественного анализа и моделирования финансовых рынков</title>
		<link>https://mlgu.ru/2070/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Sat, 10 May 2025 11:22:29 +0000</pubDate>
				<category><![CDATA[Анализ данных]]></category>
		<category><![CDATA[garch]]></category>
		<category><![CDATA[quantitative analysis]]></category>
		<category><![CDATA[биржевая аналитика]]></category>
		<category><![CDATA[вероятностные модели]]></category>
		<category><![CDATA[волатильность]]></category>
		<category><![CDATA[квантитативный анализ]]></category>
		<category><![CDATA[математическое моделирование]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=2070</guid>

					<description><![CDATA[В основе большинства успешных инвестиционных стратегий лежит холодный расчет. Не интуиция, не рыночные слухи, не индикаторы, а строгие формулы и алгоритмы, способные обработать потоки информации быстрее любого человека. Сегодня рынок движется не только деньгами, но и данными — огромными массивами цен, объемов, новостей, макроэкономических показетелей. И именно математические модели позволяют превращать этот хаос в упорядоченные [&#8230;]]]></description>
		
		
		
			</item>
	</channel>
</rss>
