Stochastic Variational Inference for GARCH Models
GARCH 模型的随机变分推断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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要明确针对 GARCH 异方差时间序列模型，并提到投资组合和动态资产配置应用，最直接对应金融波动率。
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…
GARCH 模型的随机变分推断
- 研究问题
- 研究如何用随机变分推断高效拟合不同响应分布的 GARCH 模型，并支持面向动态金融决策的序贯更新。
- 方法与思路
- 作者对高斯、t 和偏斜 t 响应模型使用高斯变分近似，借助控制变量或重参数化技巧实施随机梯度上升。
- 材料陈述的贡献
- 摘要称所提实现可作为快速且准确的 MCMC 替代方案，并提出适用于投资组合构建与动态资产配置的序贯版本。
- 阅读关注点
- 应核对变分目标、参数约束与梯度估计方式，评估后验近似误差、速度比较标准及序贯更新是否累积误差。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未报告计算时间、近似误差或金融应用表现的具体数值。
原文摘要
Stochastic variational inference algorithms are derived for fitting various heteroskedastic time series models. We examine Gaussian, t, and skew-t response GARCH models and fit these using Gaussian variational approximating densities. We implement efficient stochastic gradient ascent procedures based on the use of control variates or the reparameterization trick and demonstrate that the proposed implementations provide a fast and accurate alternative to Markov chain Monte Carlo sampling. Additionally, we present sequential updating versions of our variational algorithms, which are suitable for efficient portfolio construction and dynamic asset allocation.