From Exponential to Polynomial: An Exact Filter for High-Dimensional MSM Models
从指数到多项式：高维马尔可夫切换多重分形模型的精确滤波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：摘要明确以马尔可夫切换多重分形波动率模型的滤波计算为研究对象。
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
从指数到多项式：高维马尔可夫切换多重分形模型的精确滤波
- 研究问题
- 如何利用离散时间马尔可夫切换多重分形波动率模型似然中的置换对称性，降低高维贝叶斯滤波的计算成本并保持精确性？
- 方法与思路
- 作者按似然结构中的置换对称性重新表述贝叶斯滤波，并比较原始滤波与分区滤波的输出一致性及真实状态恢复表现。
- 材料陈述的贡献
- 摘要称复杂度由 O(D^k) 降为 O(k^D)，并提供解析与经验论证；同时报告两种滤波存在明显分歧，分区滤波恢复表现似有改善。
- 阅读关注点
- 应核对 D 与 k 的定义、降复杂度时固定的维度，以及对称聚合的精确性证明，尤其解释两种精确滤波为何出现显著分歧。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；多项式结论取决于维度设定，摘要未解释输出分歧，恢复改善仅作试探性陈述。
原文摘要
In this paper we propose a new formulation of the Bayesian Filter as used in the discrete-time Markov-Switching-Multifractal (MSM) model of volatility based on existing permutation symmetry within the likelihood structure. We show both analytically and empirically that such a formulation leads to a reduction in time complexity from $O(D^k)$ to $O(k^D)$ thereby significantly reducing the computational bottleneck associated with dimensionality. We compare the agreement between the naive and sector filters and find that while there are significant disagreements, the ground-truth recovery of the latter seems to improve on the former.