Accelerated gaussian importance sampler with application to dynamic latent variable models
加速高斯重要性抽样及其在动态潜变量模型中的应用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：摘要研究动态潜变量模型的似然计算，并明确应用于股票收益的随机波动时间序列。
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
加速高斯重要性抽样及其在动态潜变量模型中的应用
- 研究问题
- 论文研究如何高效数值计算高维密度，尤其是动态潜变量模型的似然，并检验这种计算方式在股票收益随机波动模型中的可行性。
- 方法与思路
- 作者提出加速高斯重要性抽样方法，用于高维密度与似然计算，并将其应用于日度股票收益的一阶动态随机波动模型。
- 材料陈述的贡献
- 摘要称，该方法在给定应用中实现高精度似然计算，估计的随机波动模型以较简约形式优于所比较的 ARCH 和 GARCH 模型。
- 阅读关注点
- 应核对重要性分布如何构造、数值误差如何评估，以及模型优于 ARCH 和 GARCH 的具体判据与比较范围。
- 阅读边界
- 仅据所给 RePEc 所载出版社摘要，无法验证效率及精度主张，也不能将单项应用中的模型比较推广到其他数据或任务。
原文摘要
We propose a new generic and highly efficient Accelerated Gaussian Importance Sampler (AGIS) for the numerical evaluation of (very) high-dimensional density functions. A specific case of interest to us is the evaluation of likelihood functions for a broad class of dynamic latent variable models. The feasibility of our method is strikingly illustrated by means of an application to a first-order dynamic stochastic volatility model for daily stock returns, whose likelihood for an actual sample of size 2022(!) is evaluated with high numerical accuracy by means of 10,000 Monte Carlo replications. The estimated model parsimoniously dominates ARCH and GARCH alternatives, one of which includes twelve lags. Copyright 1993 by John Wiley & Sons, Ltd.