Density-Tempered Marginalized Sequential Monte Carlo Samplers
密度调温的边际化序贯蒙特卡洛采样器AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要在股价应用中明确使用含微观结构噪声的 GARCH 型模型，因此金融波动率是最直接的细分依据。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
密度调温的边际化序贯蒙特卡洛采样器
- 研究问题
- 一般状态空间模型的完整贝叶斯推断中，如何联合获得参数与潜在状态的后验样本，并利用平滑引入样本信息的方式应对异常观测？
- 方法与思路
- 作者用粒子滤波近似边际化动态状态，再沿先验到后验的密度调温桥以 SMC 抽样参数；方法还包含自动选择状态粒子数的机制，并便于并行实现。
- 材料陈述的贡献
- 摘要称任意给定状态粒子数下均可获得参数与潜在状态联合后验的精确抽样，并报告异常值下表现良好；模拟与含微观结构噪声的股价应用用于检验。
- 阅读关注点
- 核对近似边际化与“精确后验抽样”如何兼容、粒子数自动选择准则及计算代价，再查看模型误设、异常值和微观结构噪声下的评估设计。
- 阅读边界
- 摘要未解释“精确”的目标分布意义及实现条件，也未报告粒子数选择、计算效率或异常值表现的数值；相关性质需结合全文定义与算法细节判断。
原文摘要
We propose a density-tempered marginalized sequential Monte Carlo (SMC) sampler, a new class of samplers for full Bayesian inference of general state-space models. The dynamic states are approximately marginalized out using a particle filter, and the parameters are sampled via a sequential Monte Carlo sampler over a density-tempered bridge between the prior and the posterior. Our approach delivers exact draws from the joint posterior of the parameters and the latent states for any given number of state particles and is thus easily parallelizable in implementation. We also build into the proposed method a device that can automatically select a suitable number of state particles. Since the method incorporates sample information in a smooth fashion, it delivers good performance in the presence of outliers. We check the performance of the density-tempered SMC algorithm using simulated data based on a linear Gaussian state-space model with and without misspecification. We also apply it on real stock prices using a GARCH-type model with microstructure noise.