Particle efficient importance sampling
粒子高效重要性抽样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：摘要明确将算法应用于单变量和双变量随机波动率模型，因此波动率计量是有直接文本依据的应用方向。
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
粒子高效重要性抽样
- 研究问题
- 高维积分中，重要性抽样方差可能随维数快速增长；如何利用目标积分的序贯结构改善似然计算与贝叶斯推断的数值效率？
- 方法与思路
- 作者将高效重要性抽样解释为离线序贯蒙特卡洛方法，设计考虑状态平滑密度近似构造的重抽样权重，并用于随机波动率及状态空间模型。
- 材料陈述的贡献
- 摘要称粒子方法在所考察高维似然计算中明显优于标准方法和粒子滤波，并展示其在粒子边际 Metropolis–Hastings 等算法中的效率。
- 阅读关注点
- 应核对重抽样权重的定义、计算成本与比较基准，以及维度增加时的方差表现；特别关注 Student’s t 状态创新模型的实现。
- 阅读边界
- 仅据所列出版社摘要，不能确认性能改善的具体幅度或适用上限；摘要未说明比较是否控制计算预算，也未提供全部模型与数值设定。
原文摘要
The efficient importance sampling (EIS) method is a general principle for the numerical evaluation of high-dimensional integrals that uses the sequential structure of target integrands to build variance minimising importance samplers. Despite a number of successful applications in high dimensions, it is well known that importance sampling strategies are subject to an exponential growth in variance as the dimension of the integration increases. We solve this problem by recognising that the EIS framework has an offline sequential Monte Carlo interpretation. The particle EIS method is based on non-standard resampling weights that take into account the construction of the importance sampler as a sequential approximation to the state smoothing density. We apply the method for a range of univariate and bivariate stochastic volatility specifications. We also develop a new application of the EIS approach to state space models with Student’s t state innovations. Our results show that the particle EIS method strongly outperforms both the standard EIS method and particle filters for likelihood evaluation in high dimensions. We illustrate the efficiency of the method for Bayesian inference using the particle marginal Metropolis–Hastings and importance sampling squared algorithms.