Particle Gibbs for Likelihood-Free Inference of State Space Models with Application to Stochastic Volatility
用于状态空间模型无似然推断的粒子 Gibbs 方法及随机波动率应用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：摘要直接研究状态空间时间序列推断，并以金融随机波动率模型和标普指数数据为应用。
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
用于状态空间模型无似然推断的粒子 Gibbs 方法及随机波动率应用
- 研究问题
- 当状态空间模型的观测似然难以计算时，如何进行参数推断，并缓解近似贝叶斯计算中粒子权重退化的问题？
- 方法与思路
- 作者提出近似贝叶斯计算框架下的粒子 Gibbs 采样器，嵌入条件辅助粒子滤波，并以随机波动率模型开展模拟与应用。
- 材料陈述的贡献
- 摘要称该采样器可缓解权重退化，模拟中的参数推断准确性优于所比较的条件自助滤波方案，并用于金融危机期间的指数数据。
- 阅读关注点
- 应核对近似容忍度、辅助权重构造、采样目标与收敛条件，以及比较方法的计算预算和随机波动率模型的具体设定。
- 阅读边界
- 所给版本为 arXiv 预印本，同行评审及接收状态未核验；摘要未说明近似误差、具体模拟数值或不同模型下的表现。
原文摘要
State space models (SSMs) are widely used to describe dynamic systems. However, when the likelihood of the observations is intractable, parameter inference for SSMs cannot be easily carried out using standard Markov chain Monte Carlo or sequential Monte Carlo methods. In this paper, we propose a particle Gibbs sampler as a general strategy to handle SSMs with intractable likelihoods in the approximate Bayesian computation (ABC) setting. The proposed sampler incorporates a conditional auxiliary particle filter, which can help mitigate the weight degeneracy often encountered in ABC. To illustrate the methodology, we focus on a classic stochastic volatility model (SVM) used in finance and econometrics for analyzing and interpreting volatility. Simulation studies demonstrate the accuracy of our sampler for SVM parameter inference, compared to existing particle Gibbs samplers based on the conditional bootstrap filter. As a real data application, we apply the proposed sampler for fitting an SVM to S&P 500 Index time-series data during the 2008 financial crisis.