Bayesian Vector Autoregressions with Stochastic Volatility
具有随机波动的贝叶斯向量自回归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：摘要明确以向量自回归为模型，并研究随机波动和非线性滤波，对应时间序列及所列 VAR 方法方向。
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…
关注这篇论文的作者
具有随机波动的贝叶斯向量自回归
- 研究问题
- 如何在向量自回归中以贝叶斯方法刻画随机波动，并对随时间演化的精度矩阵进行非线性滤波和自回归参数估计？
- 方法与思路
- 作者设定精度矩阵的乘性演化由多元贝塔随机变量驱动，给出滤波的精确更新公式，并用重要性抽样处理自回归参数估计。
- 材料陈述的贡献
- 摘要所述贡献是为含随机波动的向量自回归提供贝叶斯建模方案与精度矩阵精确滤波更新，同时说明参数估计的数值方法。
- 阅读关注点
- 重点核对多元贝塔演化设定、精确更新公式所需的条件，以及重要性抽样的实施方式、计算负担与数值稳定性。
- 阅读边界
- 摘要未说明先验选择、模型识别、数值精度或实证效果；精确更新针对精度矩阵滤波，不能推及全部参数的解析估计。
原文摘要
This paper proposes a Bayesian approach to a vector autoregression with stochastic volatility, where the multiplicative evolution of the precision matrix is driven by a multivariate beta variate. Exact updating formulas are given to the nonlinear filtering of the precision matrix. Estimation of the autoregressive parameters requires numerical methods: an importance-sampling-based approach is explained here.