Maximum likelihood estimation of partially observed diffusion models
部分可观测扩散模型的极大似然估计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：摘要提出通用潜在状态扩散模型估计方法，未明确金融、宏观或微观应用方向。
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…
部分可观测扩散模型的极大似然估计
- 研究问题
- 当扩散模型的部分状态不可观测、数据只在离散时点采样时，如何构造可计算的似然函数并估计模型参数？
- 方法与思路
- 作者先用闭式方法近似潜在与观测状态的联合转移密度，再利用高效重要性抽样积分消去潜在状态以获得似然。
- 材料陈述的贡献
- 摘要称，方法无需仿射扩散结构或区间内补点模拟；模拟与真实数据比较显示表现较好，计算成本被描述为适中。
- 阅读关注点
- 应核对转移密度近似误差、重要性抽样的稳定性、潜在状态积分方式，以及替代方法和计算成本的比较标准。
- 阅读边界
- 所给出版社摘要未交代具体扩散模型、数据领域或比较指标，也未给出误差界，不能据此认定方法在所有模型中更优。
原文摘要
This paper develops a maximum likelihood (ML) method to estimate partially observed diffusion models based on data sampled at discrete times. The method combines two techniques recently proposed in the literature in two separate steps. In the first step, the closed form approach of Aït-Sahalia (2008) is used to obtain a highly accurate approximation to the joint transition probability density of the latent and the observed states. In the second step, the efficient importance sampling technique of Richard and Zhang (2007) is used to integrate out the latent states, thereby yielding the likelihood function. Using both simulated and real data, we show that the proposed ML method works better than alternative methods. The new method does not require the underlying diffusion to have an affine structure and does not involve infill simulations. Therefore, the method has a wide range of applicability and its computational cost is moderate.