Markov chain Monte Carlo methods for switching diffusion models
切换扩散模型的马尔可夫链蒙特卡洛方法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：摘要研究连续时间隐状态、切换扩散与动态过程，直接对应时间序列建模。
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
切换扩散模型的马尔可夫链蒙特卡洛方法
- 研究问题
- 对于观测过程由随机微分方程描述、潜在状态由连续时间链表示的切换扩散模型，如何进行潜在过程与模型分析？
- 方法与思路
- 作者采用可逆跳跃 Metropolis–Hastings 更新，开发适用于模型的马尔可夫及非马尔可夫版本的蒙特卡洛分析方法。
- 材料陈述的贡献
- 摘要称，方法可分析连续时间潜在模型，并通过纽约商品交易所油市数据及具有线性和均值回复状态的生成数据示例展示。
- 阅读关注点
- 应核对两类模型的区别、潜在状态路径更新方式、观测过程处理，以及采样算法的收敛诊断和两个示例的具体设定。
- 阅读边界
- 所据 OpenAlex 索引摘要未注明稿件版本；摘要未说明识别、采样收敛或应用数值，油市示例不能单独支持定价或预测效果结论。
原文摘要
Reversible jump Metropolis–Hastings updating schemes can be used to analyse continuous‐time latent models, sometimes known as state space models or hidden Markov models. We consider models where the observed process X can be represented as a stochastic differential equation and where the latent process D is a continuous‐time Markov chain. We develop Markov chain Monte Carlo methods for analysing both Markov and non‐Markov versions of these models. As an illustration of how these methods can be used in practice we analyse data from the New York Mercantile Exchange oil market. In addition, we analyse data generated by a process that has linear and mean reverting states.