量化面试：什么是最大似然估计?

最新推荐文章于 2025-06-06 22:21:50 发布

henhenha

最新推荐文章于 2025-06-06 22:21:50 发布

阅读量383

点赞数 5

文章标签：数据分析

本文链接：https://blog.youkuaiyun.com/henhenha/article/details/141560095

版权

最大似然估计（Maximum Likelihood Estimation, MLE）是一种统计方法，用于估计模型参数，使得在给定参数下观察到的数据出现的概率（似然）最大化。该方法在许多领域中广泛应用，包括金融、机器学习和信号处理等，特别是在量化交易中，它可以帮助我们建立准确的模型以预测市场行为。

最大似然估计的基本概念

似然函数：给定一个参数的统计模型和观察到的数据，似然函数 L(θ)表示在参数 θ

最低0.47元/天解锁文章

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

henhenha

关注关注

5
点赞
踩
2

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

人工智能算法面试大总结-总目录

啥都生的博客

09-15

2万+

涉及秋招、春招、社招

【2025算法面试通关】【七.SLAM-激光SLAM】【50. 粒子滤波（PF）与八叉树地图面试题100+（含大厂高频考点解析）】

商务合作|问题讨论|交流学习请联系作者微信，加微信请务必注明来意，博客主页有联系方式

04-15

541

答：粒子滤波是基于蒙特卡洛方法的递归贝叶斯滤波算法，核心思想是用大量随机样本（粒子）描述概率分布，通过重要性采样和重采样迭代更新后验概率分布。

参与评论您还未登录，请先登录后发表或查看评论

100.11 AI量化面试题：量化金融中什么是最大似然估计？

Kewin的博客

02-09

348

本文通过通俗易懂的方式介绍最大似然估计(Maximum Likelihood Estimation, MLE)在量化金融中的应用，包括基本原理、实现方法和实际案例。

量化面试题及答案

莲君

04-15

7545

3月份亏钱了，还有房贷，可是想来想去还是想做股票。也许这就叫做狗改不了吃屎。空仓，每天做一些题，加深理解，在此做个记录。对冲和复制问2.32：看跌期权可以用来做什么？答：对冲，投机，套利 4月15日：要把握的是确定性（趋势），而不是被波动性牵着鼻子走 The Greeks（期权价格的敏感度）问2.43：在给定计算价格的方法时，计算Greeks的方法都有哪些，各有那些优缺点？ ...

浅议极大似然估计（MLE）背后的思想原理

weixin_30673715的博客

11-19

697

1. 概率思想与归纳思想 0x1：归纳推理思想所谓归纳推理思想，即是由某类事物的部分对象具有某些特征，推出该类事物的全部对象都具有这些特征的推理。抽象地来说，由个别事实概括出一般结论的推理称为归纳推理（简称归纳），它是推理的一种例如：直角三角形内角和是180度；锐角三角形内角和是180度；钝角三角形内角和是180度；直角三角形，锐角三角形和钝角三角形是全部的三角形；所以，一切三角形内角和...

机器学习面试必知：高斯混合模型GMM和期望最大化EM算法

Neekity的博客

03-01

2073

通过将更基本的概率分布（例如高斯分布）进行线性组合的这样的叠加方法，可以被形式化为概率模型，被称为混合模型。通过使用足够多的高斯分布，并且调节它们的均值和方差以及线性组合的系数，几乎所有的连续概率密度都能以任意的精度去近似。我们考虑K个高斯概率密度的叠加，形式为p(x)=∑k=1KπkN(x∣uk,Σk)p(x)=\sum_{k=1}^{K}\pi_{k}N(x|u_{k},\Sigma_{...

AI学习_模型优化：剪枝、蒸馏、量化

qq_41848886的博客

03-07

4666

模型优化：剪枝、蒸馏、量化

大模型最新面试题系列：训练篇之数据处理与增强

zhangzhentiyes的博客

02-27

895

【代码】大模型最新面试题系列：训练篇之数据处理与增强。

金山面试总结

qq_44691564的博客

04-16

1009

C++ 的三大特性通常指的是封装、继承和多态。这三个特性是面向对象编程中的基本概念，这三个特性共同构成了面向对象编程的基础，它们使得代码更加模块化、可扩展和易于维护。封装（Encapsulation）：封装是将数据和操作数据的方法（即函数）捆绑在一起的机制。通过封装，对象的内部细节被隐藏，只暴露出公共的接口供外部使用。这种方式可以保护数据不被直接访问和修改，提高代码的安全性和可维护性。

AI算法面试难度升级，该如何应对？

机器学习算法那些事

09-06

283

我们都知道机器学习是AI领域最为重要的技术，不管以后从事哪一类AI的岗位都离不开机器学习。其实机器学习的基础很大程度上决定了一个AI从业者能力的上限，这就好比一个对数据敏...

Python面试题：结合Python技术，如何使用PyMC3进行贝叶斯统计建模

码农超哥的博客

08-04

512

通过这个示例，你可以看到如何使用PyMC3进行简单的贝叶斯统计建模。PyMC3提供了强大的工具来定义复杂的概率模型，并使用先进的MCMC方法进行后验采样。根据具体需求，你可以扩展模型的复杂度，使用不同的先验和似然分布，以及进行模型比较和诊断。

大数据学习（131）-Hive数据分析函数总结

weixin_61006262的博客

06-06

166

datepart参数决定了返回值的时间单位，可以是年(year)、季度(quarter)、月(month)、周(week)、日(day)、小时(hour)、分钟(minute)、秒(second)等。时间单位可以是年份 (YEAR)、月份 (MONTH)、日期 (DAY)、小时 (HOUR)、分钟 (MINUTE)、秒钟 (SECOND) 等等。如果省略，默认值为 1。例如，有3条排在第1位时，排序为：1，1，1，4······例如，有3条排在第1位时，排序为：1，1，1，2······

第1章_数据分析认知_知识点笔记

xiang_gina的博客

06-03

926

从街边摊到上市公司均需其支撑。个人可通过学习工具（Excel/SQL/Python）和分析思维，实现薪资提升或职业转型。

数据分析六部曲？

自学以强自身

06-04

579

数据分析入门六步走：从目标到报告 数据分析并非难事，掌握六个基本步骤即可入门：1）明确分析目的，如餐馆老板想找出客流减少原因；2）收集准确完整的数据，包括账本、顾客反馈等；3）清洗整理数据，修正错误、填补缺失；4）选择合适方法进行分析，如对比销售数据或满意度评分；5）可视化呈现结果，选用柱状图、折线图等合适图表；6）撰写简明分析报告，包含问题、方法、结论和建议。遵循这六步法，任何人都能逐步掌握数据分析技能，解决实际问题。

【数据分析】R版IntelliGenes用于生物标志物发现的可解释机器学习

专注生信领域

06-06

496

IntelliGenesR：基于多组学数据的可解释疾病预测工具 IntelliGenesR是IntelliGenes流程的R实现，通过整合转录组与临床数据，进行疾病预测和生物标志物发现。其核心流程包括：特征选择：使用Pearson、卡方、ANOVA和递归特征消除（RFE）筛选差异基因。模型训练：支持随机森林、SVM等7种分类器，输出性能指标（如ROC曲线、F1分数）。 I-Genes评分：结合SHAP值和HHI指数量化基因重要性，提供可解释的生物标志物排名。

精益数据分析（95/126）：Socialight的定价转型启示——B2B商业模式的价格策略与利润优化

最新发布

yyy173611的博客

06-06

432

在创业过程中，从B2C转向B2B不仅是商业模式的转变，更是定价策略与成本结构的全面重构。今天，我们将通过Socialight的实战案例，深入解析B2B定价中的常见陷阱与优化策略，探讨如何通过数据驱动的定价试验，实现营收与利润的协同增长，帮助创业者在商业模式转型中少走弯路

抑郁症患者数据分析

sinat_20471177的博客

06-05

330

从数据反馈结果来看：Date列存在空缺值，并且不是日期类型。Patient_name列存在信息混合一起情况，需要拆分年龄和性别。

【数据分析】第四章 pandas简介（1）

m0_60311269的博客

06-02

685

摘要：pandas是Python数据分析的核心库，提供Series和DataFrame两种主要数据结构，用于高效处理表格数据。Series是一维带标签数组，DataFrame是二维表格结构。安装可通过Anaconda或pip完成。核心功能包括数据筛选、运算、缺失值处理（NaN）、索引操作等。pandas支持从字典、NumPy数组等多种数据源创建数据结构，并具备灵活的数据对齐和标签操作能力。典型的应用场景包括数据清洗、转换和分析。该库由Wes McKinney创建，基于NumPy构建，已成为Python数据科

【数据分析】什么是鲁棒性？

qq_42924330的博客

06-05

779

鲁棒性（Robustness）是系统在参数扰动、数据噪声和意外冲击下保持核心功能的能力——它回答了一个关键问题：当世界充满不确定，系统如何不“崩溃”？从桥梁抗震、自动驾驶抗干扰，到医疗AI无视设备差异精准诊断，鲁棒性正是工程与数字世界的“生存智慧”。本文解析其三层内核： 1️⃣ 本质：抗折腾的容错设计哲学 2️⃣ 方法论：扰动测试→脆弱性定位→闭环优化 3️⃣ 实战：以医疗AI为例，通过对抗训练将临床漏诊率降低76% 揭示技术背后的韧性逻辑：在混沌中守护确定性，才是真正的智能。

使用Logistic回归预测马疝病存活：2020春季面试题

2. 模型训练：通过最大似然估计或梯度下降法找到最佳参数。 3. 模型评估：使用准确率、查准率、查全率、F1分数等指标评估模型性能。 4. 模型解释：Logistic回归可以给出特征的重要性，有助于理解哪些因素对预测结果...