Modeling Multivariate Positive-Valued Time Series Using R-INLA
使用 R-INLA 建模多变量正值时间序列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：摘要研究多变量正值时间序列，并明确应用于股票指数的已实现波动率。
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…
使用 R-INLA 建模多变量正值时间序列
- 研究问题
- 如何对多个正值时间序列进行快速贝叶斯建模，在保持各分量 gamma 边际分布的同时刻画它们的相互依赖？
- 方法与思路
- 作者采用水平相关模型构建层次结构，在潜在层面连接各正值分量，并借助 INLA 和 R-INLA 自定义函数进行近似推断。
- 材料陈述的贡献
- 摘要称给出多变量正值时间序列的灵活层次建模与快速近似贝叶斯实现，并用于多个股票指数已实现波动率的相互依赖分析。
- 阅读关注点
- 应核对潜在相关结构与时间依赖的设定、gamma 边际的适用性、INLA 近似误差，以及计算速度和拟合效果的验证。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或接收。摘要未提供计算时间、近似精度或波动率依赖关系的具体结果。
原文摘要
In this paper we describe fast Bayesian statistical analysis of vector positive-valued time series, with application to interesting financial data streams. We discuss a flexible level correlated model (LCM) framework for building hierarchical models for vector positive-valued time series. The LCM allows us to combine marginal gamma distributions for the positive-valued component responses, while accounting for association among the components at a latent level. We use integrated nested Laplace approximation (INLA) for fast approximate Bayesian modeling via the R-INLA package, building custom functions to handle this setup. We use the proposed method to model interdependencies between realized volatility measures from several stock indexes.