Joint Bayesian Analysis of Parameters and States in Nonlinear non‐Gaussian State Space Models
非线性非高斯状态空间模型中参数与状态的联合贝叶斯分析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：摘要明确以随机波动模型开展模拟，并分析股指收益数据上的算法表现，因此可归入金融波动率方向。
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…
非线性非高斯状态空间模型中参数与状态的联合贝叶斯分析
- 研究问题
- 在非线性、非高斯状态空间模型中，如何为参数与隐状态的联合后验构造灵活提议密度，提高贝叶斯计算的效率？
- 方法与思路
- 作者为参数与状态的联合后验设计灵活提议密度，并将其用于独立 Metropolis–Hastings 算法或重要性抽样，开展模拟与实证评估。
- 材料陈述的贡献
- 摘要称，该方法比若干已有算法更具计算效率，并以基于 Ornstein–Uhlenbeck 过程的随机强度、随机波动模型提供模拟证据。
- 阅读关注点
- 阅读全文时应核对提议密度构造、独立 MH 的接受率与重要性权重稳定性，以及计算效率比较是否计入预处理成本。
- 阅读边界
- 摘要未说明提议密度的具体形式、维度范围与效率指标，也未给出误差和运行时间；计算优势能否推广至其他模型尚无法判断。
原文摘要
Summary We propose a new methodology for designing flexible proposal densities for the joint posterior density of parameters and states in a nonlinear, non‐Gaussian state space model. We show that a highly efficient Bayesian procedure emerges when these proposal densities are used in an independent Metropolis–Hastings algorithm or in importance sampling. Our method provides a computationally more efficient alternative to several recently proposed algorithms. We present extensive simulation evidence for stochastic intensity and stochastic volatility models based on Ornstein–Uhlenbeck processes. For our empirical study, we analyse the performance of our methods for corporate default panel data and stock index returns. Copyright © 2016 John Wiley & Sons, Ltd.