A Scalable Inference Method For Large Dynamic Economic Systems
大型动态经济系统的可扩展推断方法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：摘要明确采用时变参数自回归和状态空间模型描述动态数据，因此归入时间序列；未提供冲击识别或高频计量证据。
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…
大型动态经济系统的可扩展推断方法
- 研究问题
- 面对数字化经济产生的大规模动态数据，如何兼顾模型可解释性、计量推断和计算扩展能力，并描述细粒度交易与价格变化？
- 方法与思路
- 作者将变分贝叶斯推断用于时变参数自回归模型，并借助机器学习架构在状态空间模型的前向关系中引入非线性。
- 材料陈述的贡献
- 摘要称提出适用于大数据的推断方法，并在包含个体交易与价格的大型区块链数据上应用，框架可扩展至其他动态系统数据。
- 阅读关注点
- 应核对变分近似的误差、时变参数与非线性的设定、计算复杂度，以及区块链应用如何评估推断准确性和模型可解释性。
- 阅读边界
- 这是 arXiv 预印本，同行评审或接收未核实。摘要未给出推断保证、规模基准或量化结果，不能据此确认扩展性和政策适用性。
原文摘要
The nature of available economic data has changed fundamentally in the last decade due to the economy's digitisation. With the prevalence of often black box data-driven machine learning methods, there is a necessity to develop interpretable machine learning methods that can conduct econometric inference, helping policymakers leverage the new nature of economic data. We therefore present a novel Variational Bayesian Inference approach to incorporate a time-varying parameter auto-regressive model which is scalable for big data. Our model is applied to a large blockchain dataset containing prices, transactions of individual actors, analyzing transactional flows and price movements on a very granular level. The model is extendable to any dataset which can be modelled as a dynamical system. We further improve the simple state-space modelling by introducing non-linearities in the forward model with the help of machine learning architectures.