Modeling Marked Point Processes via Bivariate Mixture Transition Distribution Models
用二元混合转移分布模型刻画带标记点过程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：摘要将间隔与标记视为依赖历史的随机过程，并明确以不等间隔金融交易数据为适用对象。
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
用二元混合转移分布模型刻画带标记点过程
- 研究问题
- 对于金融交易等不等间隔事件数据，如何联合建模事件到达间隔与观测标记，并表达它们对历史事件的依赖？
- 方法与思路
- 作者构造二元混合转移分布，将下一观测的条件分布写为分别依赖过去若干事件的条件分布之混合，并开发 EM 算法。
- 材料陈述的贡献
- 摘要称，论文提出新的带标记点过程模型，研究其可识别性，提供参数估计算法，并以模拟和真实数据展示用途。
- 阅读关注点
- 应核对二元分布族、混合权重与历史事件选择规则，尤其是可识别性结论、EM 实现和到达间隔与标记的依赖解释。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；具体标记、真实数据类型、识别条件和比较数值未说明，不能推断具有预测优势。
原文摘要
We propose new probability models for the analysis of marked point processes. These models deal with the type of data that arrive or are observed in possibly unequal time intervals, such as financial transactions and earthquakes, among others. The models treat both the time between event arrivals and the observed marks as stochastic processes. We adopt a class of bivariate distributions to form the bivariate mixture transition distribution. In these models the conditional bivariate distribution of the next observation given the past is a mixture of conditional distributions given each one of the last p observations or a selection of past p events. The identifiability of the model is investigated, and an EM algorithm is developed to obtain estimates of the model parameters. Simulation and real data examples are used to demonstrate the utility of these models.