Efficient Importance Variational Approximations for State Space Models
状态空间模型的高效重要性变分近似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：摘要以状态空间动态模型为方法对象，并直接用于逐笔股票价格的随机波动率估计，支持所选三个方向。
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
状态空间模型的高效重要性变分近似
- 研究问题
- 在状态空间模型中，如何构造兼顾计算速度与后验近似精度的变分方法，以缓解现有方法的精度或计算可行性问题？
- 方法与思路
- 作者借鉴高效重要性采样构造状态条件后验的变分近似，适用范围要求观测密度有闭式表达且状态转移属于指数族。
- 材料陈述的贡献
- 摘要称所提近似能够快速且准确估计符合要求的模型，并以四只股票逐笔离散价格变化的多变量 Skellam 波动率模型展示。
- 阅读关注点
- 核对变分族、优化目标与重要性采样信息的结合方式，重点查看模型条件、误差衡量及速度比较所使用的基准。
- 阅读边界
- 仅据所给 OpenAlex 摘要，未核对全文及刊本变化；近似误差界、优化稳定性和计算成本未说明，快速准确的结论需核对具体证据。
原文摘要
Variational methods are a potentially scalable estimation approach for state space models.However, existing methods are inaccurate or computationally infeasible for many state space models.This article proposes a variational approximation that is accurate and fast for any model with a closed-form measurement density function and a state transition distribution within the exponential family of distributions.Our approach constructs a variational approximation to the states that is close to the exact conditional posterior distribution of the states using insights from the efficient importance sampling literature.We show that our method can accurately and quickly estimate a multivariate Skellam stochastic volatility model with highfrequency tick-by-tick discrete price changes of four stocks.