Unified Mixture Sampler for State-Space Models: Application to Stochastic Conditional Duration Models
状态空间模型的统一混合采样器：随机条件持续期模型应用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。
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：摘要研究非线性状态空间模型及随机条件持续期动态过程，直接对应时间序列方法；未明确金融交易应用，不另作金融分类。
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
状态空间模型的统一混合采样器：随机条件持续期模型应用
- 研究问题
- 论文研究具有特定双指数似然核的非线性状态空间模型，如何在未知分布形状参数下实现灵活且高效的后验采样。
- 方法与思路
- 作者通过确定性的重新中心化与缩放调整既有十成分混合近似，并加入 Metropolis–Hastings 校正，应用于随机条件持续期模型。
- 材料陈述的贡献
- 摘要称，该采样器减少逐模型推导混合近似的需求，可处理多种似然与未知形状参数，数值例子显示较切片采样更低的自相关。
- 阅读关注点
- 应核对适用似然核的精确定义、混合调整公式及校正步骤，并比较有效样本量、运行时间和不同参数区间下的采样表现。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核实；摘要中的精确推断不表示有限次采样无误差，比较结果的普适性也未说明。
原文摘要
We propose a unified mixture sampler (UMS) that provides a universal estimation framework for nonlinear state-space models with "exp-exp" likelihood kernels. Unlike existing methods that require deriving new mixture approximations for each specific distribution, our approach dynamically adapts the standard ten-component mixture from Omori et al. (2007) through a deterministic re-centering and rescaling algorithm. Applying this to the stochastic conditional duration (SCD) model, we demonstrate that the proposed sampler can efficiently handle unknown shape parameters - such as those in Weibull or Gamma distributions - by updating mixture components near-instantaneously during MCMC iterations. The UMS not only simplifies implementation but also ensures exact inference via a lightweight Metropolis-Hastings step. Numerical examples show that our method substantially outperforms the conventional slice sampling approach, significantly reducing autocorrelation in MCMC samples while maintaining high computational efficiency. This unified framework encompasses a wide range of applications, including logit, Poisson, and various SCD model specifications, providing a highly efficient alternative to model-specific samplers.