Exact Monte Carlo likelihood-based inference for jump-diffusion processes
跳跃扩散过程的精确蒙特卡洛似然推断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：摘要讨论一般跳跃扩散过程的统计推断，未明确涉及金融、高频数据或其他给定应用方向。
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…
跳跃扩散过程的精确蒙特卡洛似然推断
- 研究问题
- 对于离散观测的有限活动跳跃扩散过程，如何开展似然推断，并避免时间离散化所引入的近似误差？
- 方法与思路
- 作者提出频率学派与贝叶斯两类方法，以不依赖时间离散化的蒙特卡洛计算开展推断，并用模拟和真实案例展示。
- 材料陈述的贡献
- 摘要称其提供了一组通用的无离散化似然推断方法，剩余误差来自蒙特卡洛计算及 EM 或 MCMC 算法的收敛。
- 阅读关注点
- 应核对适用的漂移、扩散与跳跃机制条件，以及精确模拟如何实现、计算成本和算法收敛如何判断。
- 阅读边界
- 仅依据所给 Crossref 摘要；“精确”指无时间离散化误差，并不表示没有计算误差。具体适用条件与实例结果未说明。
原文摘要
Abstract Statistical inference for discretely observed jump-diffusion processes is a complex problem which motivates new methodological challenges. Thus, existing approaches invariably resort to time-discretisations which inevitably lead to approximations in inference. In this paper, we give the first general collection of methodologies for exact (in this context meaning discretisation-free) likelihood-based inference for discretely observed finite activity jump-diffusions. The only sources of error involved are Monte Carlo error and convergence of expectation maximisation (EM) or Markov chain Monte Carlo (MCMC) algorithms. We shall introduce both frequentist and Bayesian approaches, illustrating the methodology through simulated and real examples.