Bayesian networks have grown to become a dominant type of model within the domain of probabilistic graphical models. Not only do they empower users with a graphical means for describing the relationships among random variables, but they also allow for (potentially) fewer parameters to estimate, and enable more efficient inference. The random variables and the relationships among them decide the structure of the directed acyclic graph that represents the Bayesian network. It is the stasis over time of these two components that we question in this thesis.By introducing a new type of probabilistic graphical model, which we call gated Bayesian networks, we allow for the variables that we include in our model, and the relationships among them, to change over time. We introduce algorithms that can learn gated Bayesian networks that use different variables at different times, required due to the process which we are modelling going through distinct phases. We evaluate the efficacy of these algorithms within the domain of algorithmic trading, showing how the learnt gated Bayesian networks can improve upon a passive approach to trading. We also introduce algorithms that detect changes in the relationships among the random variables, allowing us to create a model that consists of several Bayesian networks, thereby revealing changes and the structure by which these changes occur. The resulting models can be used to detect the currently most appropriate Bayesian network, and we show their use in real-world examples from both the domain of sports analytics and finance. v
Populärvetenskaplig sammanfattningEn grafisk modell är en beskrivning av hur olika fenomen står i relation till varandra. Ordet grafisk används för att förtydliga att denna beskrivning görs med hjälp av en graf, där fenomen är noder och relationer är bågar. Till exempel kan en grafisk modell beskriva hur olika levnadsvanor påverkar varandra, så som fysisk aktivitet, alkoholkonsumtion, matvanor och rökning. Den grafiska komponenten beskriver antaganden som leder till att beräkningar kring de fenomen som man mäter är genomförbara. Utan antaganden är det inte alltid möjligt att skapa en modell, då det kan kräva stora mängder insamlad data för att specificera modellen och beräkningarna kan ta orimligt lång tid. Felaktiga antaganden leder till att modellen presterar sämre, och idealet inträffar naturligtvis när antaganden man gjort sammanfaller med verkligheten.Verkligheten är dock ej konstant. Över tid kan det krävas att man byter fokus till andra fenomen än tidigare, eller så ändras relationerna mellan de fenomenen som man inkluderat i sin modell. Om vi då använder en modell som inte har kapaciteten att byta fokus, eller ändra relationer över tid, så riskerar vi att få en underpresterande modell. I denna avhandling introducerar vi en ny grafisk modell som tar i beaktning det faktum att fokus och relationer förändras över tid. Vår nya grafiska modell, som vi kallar gated Bayesian networks, är en förlängning av den populära grafiska modellen Bayesian netw...