Large Bayesian Tensor VARs with Stochastic Volatility
具有随机波动率的大型贝叶斯张量 VARAI 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：摘要明确涉及大型 VAR、美国季度时间序列及样本预测比较。
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
具有随机波动率的大型贝叶斯张量 VAR
- 研究问题
- 面对大量宏观时间序列，如何通过低秩系数结构减少 VAR 参数数量，并考察不同随机波动率设定对预测表现的影响？
- 方法与思路
- 作者将 VAR 系数组织为三维张量，以低秩 CP 分解进行参数化，并结合包含常用多元随机波动率及疫情异常值扩展的一般模型族。
- 材料陈述的贡献
- 摘要称，在包含四十个美国季度变量的预测练习中，张量 VAR 优于 Minnesota 先验基准，共同随机波动率也倾向于优于 Cholesky 设定。
- 阅读关注点
- 应核对张量秩的选择、先验与计算方法，以及预测窗口、评价指标和疫情异常值处理；重点判断所述优势是否随变量和预测期变化。
- 阅读边界
- 这是 arXiv 预印本，不能据此确认同行评审或期刊接收；摘要未给出预测误差数值、统计比较或完整样本信息，优势限于所述练习。
原文摘要
We consider Bayesian tensor vector autoregressions (TVARs) in which the VAR coefficients are arranged as a three-dimensional array or tensor, and this coefficient tensor is parameterized using a low-rank CP decomposition. We develop a family of TVARs using a general stochastic volatility specification, which includes a wide variety of commonly-used multivariate stochastic volatility and COVID-19 outlier-augmented models. In a forecasting exercise involving 40 US quarterly variables, we show that these TVARs outperform the standard Bayesian VAR with the Minnesota prior. The results also suggest that the parsimonious common stochastic volatility model tends to forecast better than the more flexible Cholesky stochastic volatility model.