Robust filtering and smoothing via perturbation methods
基于扰动方法的稳健滤波与平滑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：摘要明确将方法应用于金融时间序列的随机波动率与相关性估计，最直接支持波动率这一领域细分。
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…
基于扰动方法的稳健滤波与平滑
- 研究问题
- 如何放宽潜在状态条件分布为高斯的要求，在多类状态空间模型中近似滤波和平滑，并同时量化参数估计与状态估计的不确定性？
- 方法与思路
- 作者通过扰动技术构造基于观测密度得分和 Hessian 的近似滤波、平滑及似然方法，并据此估计参数和计算状态置信带。
- 材料陈述的贡献
- 摘要称方法覆盖位置、尺度和计数模型，模拟中相对精确模拟方法的均方损失较小，并展示金融时间序列波动率与相关性估计。
- 阅读关注点
- 应核对扰动展开和稳健性的具体含义、非高斯状态条件分布的要求、近似似然的误差，以及置信带如何合并两类不确定性。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未给出近似误差的统一界或置信带覆盖条件，模拟损失较小仅限所研究情景。
原文摘要
Using a perturbation technique, we derive a new approximate filtering and smoothing methodology generalizing along different directions several existing approaches to robust filtering based on the score and the Hessian matrix of the observation density. The main advantages of the methodology can be summarized as follows: (i) it relaxes the critical assumption of a Gaussian conditional distribution for the latent states underlying such approaches; (ii) can be applied to a general class of state-space models including location, scale and count data models; (iii) rationalizes the approximation to the likelihood function within the same perturbation approach, thus allowing for straightforward inference of the model parameters; (iv) enables the computation of confidence bands around the state estimates reflecting the combination of parameter and filtering uncertainty. We show through an extensive Monte Carlo study that the mean square loss with respect to exact simulation-based methods is small in a wide range of scenarios. We finally illustrate empirically the application of the methodology to the estimation of stochastic volatility and correlations in financial time-series.