Bayesian model selection for partially observed diffusion models
部分观测扩散模型的贝叶斯模型选择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：摘要侧重一般扩散模型选择，仅提及金融示例，未明确对应所列金融或宏观细分任务。
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…
部分观测扩散模型的贝叶斯模型选择
- 研究问题
- 仅在有限时点观测扩散过程时，如何进行贝叶斯模型选择，并处理未观测路径与波动参数的依赖及漂移的非马尔可夫状态依赖？
- 方法与思路
- 作者将观测点之间的路径视为缺失数据，采用削弱路径与波动参数依赖的处理，再扩展到可逆跳跃马尔可夫链蒙特卡洛模型选择。
- 材料陈述的贡献
- 摘要称，方法涵盖跨模型选择、潜在非马尔可夫漂移、先验与跨维提议设计，并通过模拟数据和一个金融示例加以展示。
- 阅读关注点
- 应核对路径处理如何适用于不同模型维度、非马尔可夫漂移的具体定义，以及先验和跨维提议对计算效率与选择结果的影响。
- 阅读边界
- 仅依据版本未注明的索引摘要；金融示例对象、计算收敛性质和模型选择表现未说明，不能据此声称算法普遍高效或推断刊本变化。
原文摘要
We present an approach to Bayesian model selection for finitely observed diffusion processes. We use data augmentation by treating the paths between observed points as missing data. For a fixed model formulation, the strong dependence between the missing paths and the volatility of the diffusion can be broken down by adopting the method of Roberts & Stramer (2001). We describe how this method may be extended to the case of model selection via reversible jump Markov chain Monte Carlo. In addition we extend the formulation of a diffusion model to capture a potential non-Markov state dependence in the drift. Issues of appropriate choices of priors and efficient transdimensional proposal distributions for the reversible jump algorithm are also addressed. The approach is illustrated using simulated data and an example from finance.