Bayesian Context Trees: Modelling and Exact Inference for Discrete Time Series
贝叶斯上下文树：离散时间序列建模与精确推断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：摘要明确研究离散时间序列及预测；金融数据仅列为应用之一，未说明收益预测等更具体金融任务。
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
贝叶斯上下文树：离散时间序列建模与精确推断
- 研究问题
- 如何为具有高阶和可变记忆长度的离散时间序列建立贝叶斯模型，并高效完成模型选择、阶数估计与预测？
- 方法与思路
- 作者以变记忆马尔可夫链和上下文树建模，提供精确似然及后验模型算法，并用变维 MCMC 探索后验。
- 材料陈述的贡献
- 摘要称三种确定性算法具有线性时间复杂度，可精确计算预测似然和相关模型后验，并提供 R 包 BCT。
- 阅读关注点
- 应核对树结构与参数先验、精确计算覆盖的模型空间、线性复杂度的计量单位，以及预测实验的评估设计。
- 阅读边界
- 仅据所给 Crossref 摘要；精确性针对所设模型与先验下的计算，摘要未给出应用中的预测优势幅度或完整复杂度条件。
原文摘要
Abstract We develop a new Bayesian modelling framework for the class of higher-order, variable-memory Markov chains, and introduce an associated collection of methodological tools for exact inference with discrete time series. We show that a version of the context tree weighting alg-orithm can compute the prior predictive likelihood exa-ctly (averaged over both models and parameters), and two related algorithms are introduced, which identify the a posteriori most likely models and compute their exact posterior probabilities. All three algorithms are deterministic and have linear-time complexity. A family of variable-dimension Markov chain Monte Carlo samplers is also provided, facilitating further exploration of the posterior. The performance of the proposed methods in model selection, Markov order estimation and prediction is illustrated through simulation experiments and real-world applications with data from finance, genetics, neuroscience and animal communication. The associated algorithms are implemented in the R package BCT.