Variational Inference for Large Bayesian Vector Autoregressions
大型贝叶斯向量自回归的变分推断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。
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：摘要直接研究高维 VAR 的估计与样本外预测，支持时间序列及预测分类，但未讨论冲击识别。
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…
大型贝叶斯向量自回归的变分推断
- 研究问题
- 如何在高维贝叶斯向量自回归中实现有效的后验近似，使层级收缩直接作用于约化式系数，并降低变量排序对估计的影响？
- 方法与思路
- 作者直接在回归系数矩阵上设置层级收缩先验，提出变分贝叶斯方法，并通过模拟及行业组合配置考察预测的统计与经济价值。
- 材料陈述的贡献
- 摘要称，该方法对变量排列更稳健，在所设模拟中优于若干既有方法；预测应用显示，不同先验与模型维度下存在样本外收益改善。
- 阅读关注点
- 应核对变分近似与优化算法、排序稳健性的具体含义、与蒙特卡洛方法的比较预算，以及组合配置的预测评价和收益计算设计。
- 阅读边界
- 仅依据所给 OpenAlex 版本摘要；后验近似误差、计算成本和收益幅度未说明，不能据此保证普遍预测优势，也不能推断后续刊本变化。
原文摘要
We propose a novel variational Bayes approach to estimate high-dimensional Vector Autoregressive (VAR) models with hierarchical shrinkage priors.Our approach does not rely on a conventional structural representation of the parameter space for posterior inference.Instead, we elicit hierarchical shrinkage priors directly on the matrix of regression coefficients so that (a) the prior structure maps into posterior inference on the reduced-form transition matrix and (b) posterior estimates are more robust to variables permutation.An extensive simulation study provides evidence that our approach compares favorably against existing linear and nonlinear Markov chain Monte Carlo and variational Bayes methods.We investigate the statistical and economic value of the forecasts from our variational inference approach for a mean-variance investor allocating her wealth to different industry portfolios.The results show that more accurate estimates translate into substantial out-of-sample gains across hierarchical shrinkage priors and model dimensions.