The Dynamic Triple Gamma Prior as a Shrinkage Process Prior for Time-Varying Parameter Models
时变参数模型的动态三重伽马收缩过程先验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：摘要研究时变参数与创新过程的动态收缩，并明确评估 EURO STOXX 50 指数收益预测，因此对应时间序列和收益预测。
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…
时变参数模型的动态三重伽马收缩过程先验
- 研究问题
- 时变参数出现大幅跳跃或结构变化时，如何让收缩强度随时间调整，以缓解固定创新方差设定对动态变化的限制？
- 方法与思路
- 作者提出动态三重伽马过程先验，在保留三重伽马边际分布的同时刻画创新项之间的依赖，并开发后验采样的 MCMC 算法。
- 材料陈述的贡献
- 摘要称，该先验包含 horseshoe 等特殊或极限情形，论文推导动态收缩性质，并在稀疏协方差建模及指数收益预测中评估表现。
- 阅读关注点
- 应核对过程依赖结构、动态收缩与创新方差的关系、特殊情形的成立条件，以及收益预测的基准、期限和样本外评估。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未提供先验参数、算法诊断或预测改善数值，不能据此判断稳定性和普遍优势。
原文摘要
Many existing shrinkage approaches for time-varying parameter (TVP) models assume constant innovation variances across time points, inducing sparsity by shrinking these variances toward zero. However, this assumption falls short when states exhibit large jumps or structural changes, as often seen in empirical time series analysis. To address this, we propose the dynamic triple gamma prior -- a stochastic process that induces time-dependent shrinkage by modeling dependence among innovations while retaining a well-known triple gamma marginal distribution. This framework encompasses various special and limiting cases, including the horseshoe shrinkage prior, making it highly flexible. We derive key properties of the dynamic triple gamma that highlight its dynamic shrinkage behavior and develop an efficient Markov chain Monte Carlo algorithm for posterior sampling. The proposed approach is evaluated through sparse covariance modeling and forecasting of the returns of the EURO STOXX 50 index, demonstrating favorable forecasting performance.