Exact Bayesian inference for Markov switching diffusions
Markov 状态切换扩散的精确贝叶斯推断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：摘要明确处理离散观测的连续时间动态模型，并考察时间序列长度扩展性，对应时间序列方法。
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…
Markov 状态切换扩散的精确贝叶斯推断
- 研究问题
- 对于离散观测、漂移和波动率由潜在连续时间 Markov 过程切换的扩散模型，如何避免离散近似造成的推断误差？
- 方法与思路
- 作者开发 MCMC 与 MCEM 算法，处理扩散参数和潜在状态过程；摘要称其以连续模型的正确后验为目标而非离散近似。
- 材料陈述的贡献
- 摘要称算法误差仅来自 Monte Carlo，并通过数值例子考察序列长度扩展性；所示计算成本与离散近似方法相当。
- 阅读关注点
- 应核对精确算法适用的扩散与切换条件、潜在路径处理、MCMC 与 MCEM 的各自用途，以及成本比较和收敛诊断。
- 阅读边界
- 仅据所给 Crossref 摘要，材料标为在线优先版本；“精确”指目标分布，不意味着有限计算无误差，条件与成本数值未提供。
原文摘要
Abstract We develop the first exact Bayesian methodology for the problem of inference in discretely observed regime switching diffusions. Switching diffusion models extend ordinary diffusions by allowing for jumps in instantaneous drift and volatility. The jumps are driven by a latent, continuous-time Markov switching process. We address the problem through an MCMC and an MCEM algorithm that target the exact posterior of diffusion parameters and the latent regime process. The algorithms are exact in the sense that they target the correct posterior distribution of the continuous model, so that the errors are due to Monte Carlo only. We illustrate the method on numerical examples, including an empirical analysis of the method’s scalability in the length of the time series, and find that it is comparable in computational cost with discrete approximations while avoiding their shortcomings.