Efficient variational approximations for state space models
状态空间模型的高效变分近似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：摘要包含宏观时变参数 VAR，以及使用逐笔股票价格估计的随机波动率模型，分别对应所选方向。
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…
关注这篇论文的作者
状态空间模型的高效变分近似
- 研究问题
- 如何为状态空间模型构造可扩展的变分贝叶斯估计，在既有方法可能不准确或计算不可行时兼顾精度与速度？
- 方法与思路
- 作者提出一种变分近似，适用范围要求观测密度具有闭式表达、状态转移分布属于指数族，并用于金融和宏观状态空间模型。
- 材料陈述的贡献
- 摘要称该方法能快速准确地估计四只股票逐笔离散价格的多变量 Skellam 波动率模型，以及八变量的时变参数 VAR。
- 阅读关注点
- 核对变分分布的限制、优化算法与收敛诊断，并检查速度和精度的比较基准，以及后验不确定性是否得到充分评估。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未经核实；摘要未给出误差界、计算耗时或比较设置，适用范围受所述分布条件限制。
原文摘要
Variational Bayes methods are a potential scalable estimation approach for state space models. However, existing methods are inaccurate or computationally infeasible for many state space models. This paper proposes a variational approximation that is accurate and fast for any model with a closed-form measurement density function and a state transition distribution within the exponential family of distributions. We show that our method can accurately and quickly estimate a multivariate Skellam stochastic volatility model with high-frequency tick-by-tick discrete price changes of four stocks, and a time-varying parameter vector autoregression with a stochastic volatility model using eight macroeconomic variables.