The Bayesian Context Trees State Space Model for time series modelling and forecasting
用于时间序列建模与预测的贝叶斯上下文树状态空间模型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：摘要明确提出时间序列混合模型与在线预测算法，并通过 ARCH 基础模型分析金融波动不对称和杠杆效应。
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…
用于时间序列建模与预测的贝叶斯上下文树状态空间模型
- 研究问题
- 如何利用近期观测形成可解释的离散状态，再组合不同基础模型，以灵活描述时间序列、进行在线预测并刻画金融波动不对称？
- 方法与思路
- 作者以近期样本的量化值定义上层状态，为各状态配置基础模型，形成树状层级贝叶斯混合框架，并设计可序贯更新的推断算法。
- 材料陈述的贡献
- 摘要称 AR 和 ARCH 实例展示了框架用途，揭示股票指数中的增强杠杆效应，并报告预测准确度和计算需求优于若干比较方法。
- 阅读关注点
- 应核对量化与树结构如何选择、状态及基础模型如何共同学习，以及杠杆效应定义、预测比较和计算成本评估的具体设置。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或期刊接收；摘要未给出比较数值与评估设置，无法确认预测优势的适用范围。
原文摘要
A hierarchical Bayesian framework is introduced for developing tree-based mixture models for time series, partly motivated by applications in finance and forecasting. At the top level, meaningful discrete states are identified as appropriately quantised values of some of the most recent samples. At the bottom level, a different, arbitrary base model is associated with each state. This defines a very general framework that can be used in conjunction with any existing model class to build flexible and interpretable mixture models. We call this the Bayesian Context Trees State Space Model, or the BCT-X framework. Appropriate algorithmic tools are described, which allow for effective and efficient Bayesian inference and learning; these algorithms can be updated sequentially, facilitating online forecasting. The utility of the general framework is illustrated in the particular instances when AR or ARCH models are used as base models. The latter results in a mixture model that offers a powerful way of modelling the well-known volatility asymmetries in financial data, revealing a novel, important feature of stock market index data, in the form of an enhanced leverage effect. In forecasting, the BCT-X methods are found to outperform several state-of-the-art techniques, both in terms of accuracy and computational requirements.