Finite-State Markov-Chain Approximations: A Hidden Markov Approach
有限状态马尔可夫链近似：一种隐马尔可夫方法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：摘要以连续支撑马尔可夫过程的有限状态离散化为对象，属于时间序列与结构估计的数值方法，并以资产定价模型作为应用示例。
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
有限状态马尔可夫链近似：一种隐马尔可夫方法
- 研究问题
- 如何为具有连续支撑的马尔可夫过程（含多变量与时变成分过程）构造有限状态近似，同时给出最优网格与转移概率矩阵，并控制近似带来的信息损失。
- 方法与思路
- 作者提出以隐马尔可夫模型与真实数据生成过程之间的信息损失最小化为准则，同时选择网格点与转移概率矩阵；并给出在网格点足够多时该信息损失可任意小的充分条件。
- 材料陈述的贡献
- 摘要称该方法适用于多变量和含时变成分的过程，可得到更简约的离散化与更精确的解；通过资产定价模型和生命周期消费—储蓄模型的比较，作者指出离散化方式会影响风险福利成本、边际消费倾向以及生命周期模型所能产生的财富不平等程度。
- 阅读关注点
- 应核对信息损失的正式定义与最小化算法、充分条件的假设与证明、与既有离散化方法比较的具体设定，以及资产定价与生命周期模型中差异的数值来源与稳健性。
- 阅读边界
- 摘要未说明网格构造的计算复杂度、与哪些具体既有方法对比、模型校准与参数取值，也未给出任何数值结果；因此无法仅凭摘要判断该方法在一般情形下的优劣与适用范围。
原文摘要
This paper proposes a novel finite-state Markov chain approximation method for Markov processes with continuous support, providing both an optimal grid and a transition probability matrix. The method can be used for multivariate processes and processes with time-varying components. It is based on minimizing the information loss between a Hidden Markov Model and the true data-generating process. We provide sufficient conditions under which this information loss can be made arbitrarily small, provided enough grid points are used. We compare our method to existing methods through the lens of an asset-pricing model and a lifecycle consumption-savings model. We find that our method can lead to more parsimonious discretizations and more accurate solutions, and that the discretization matters for the welfare costs of risk, marginal propensities to consume, and the amount of wealth inequality a life-cycle model can generate.