Bayesian non-parametric signal extraction for Gaussian time series
高斯时间序列的贝叶斯非参数信号提取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：摘要明确涉及时间序列信号提取、金融高频数据和风险价值分析。
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
高斯时间序列的贝叶斯非参数信号提取
- 研究问题
- 如何在贝叶斯非参数框架中分解时间序列的不可观测成分，并把识别条件的不确定性纳入金融高频数据分析？
- 方法与思路
- 作者用信息性先验将谱分解限制在可识别区域，再以似然更新分解；金融应用区分长期、日内和短期三个成分。
- 材料陈述的贡献
- 摘要提出对不可观测成分及其识别条件进行概率化分析，并通过金融风险价值和天文多周期应用展示方法的潜力。
- 阅读关注点
- 应核对可识别谱分解区域及先验的构造，关注不同先验下成分分解的稳定性，以及分解如何进入风险价值计算。
- 阅读边界
- 出版社摘要未说明先验敏感性、计算实现或风险价值评估结果；不能据此认定数据本身足以唯一识别各成分。
原文摘要
We consider the problem of unobserved components in time series from a Bayesian non-parametric perspective. The identification conditions are treated as unknown and analyzed in a probabilistic framework. In particular, informative prior distributions force the spectral decomposition to be in an identifiable region. Then, the likelihood function adapts the prior decompositions to the data. A full Bayesian analysis of unobserved components will be presented for financial high frequency data. Particularly, a three component model (long-term, intra-daily and short-term) will be analyzed to emphasize the importance and the potential of this work when dealing with the Value-at-Risk analysis. A second astronomical application will show how to deal with multiple periodicities.