Numerically Accelerated Importance Sampling for Nonlinear Non-Gaussian State-Space Models
非线性非高斯状态空间模型的数值加速重要性抽样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：摘要研究状态空间模型的似然计算，并应用于美国股票收益的多因子随机波动率模型，因此归入时间序列与金融波动率。
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…
非线性非高斯状态空间模型的数值加速重要性抽样
- 研究问题
- 如何降低非线性、非高斯状态空间模型的模拟似然计算成本，特别是状态向量维度高而观测信号维度低的情形？
- 方法与思路
- 作者在有效重要性抽样框架中，用数值积分替代似然估计的若干关键步骤，提出数值加速重要性抽样以减少模拟工作量。
- 材料陈述的贡献
- 摘要称，新方法在高维状态、低维信号的模型中能更有效地计算似然，并报告广泛模拟及美国股票多波动因子应用中的效率收益。
- 阅读关注点
- 应核对哪些模拟步骤被数值积分替代、积分误差如何控制，以及效率比较是否同时考察计算时间、似然精度和状态维度。
- 阅读边界
- 摘要未给出效率收益的幅度、计算成本口径或数值误差条件；应用结果来自特定随机波动率模型，不能据此断言所有状态空间模型均受益。
原文摘要
We propose a general likelihood evaluation method for nonlinear non-Gaussian state-space models using the simulation-based method of efficient importance sampling. We minimize the simulation effort by replacing some key steps of the likelihood estimation procedure by numerical integration. We refer to this method as numerically accelerated importance sampling. We show that the likelihood function for models with a high-dimensional state vector and a low-dimensional signal can be evaluated more efficiently using the new method. We report many efficiency gains in an extensive Monte Carlo study as well as in an empirical application using a stochastic volatility model for U.S. stock returns with multiple volatility factors. Supplementary materials for this article are available online.