Efficient learning via simulation: A marginalized resample-move approach
通过模拟高效学习参数：边际化重抽样—移动方法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。
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：摘要明确将方法应用于 Lévy 跳跃随机波动模型，提供波动率分类依据；一般状态空间理论不另作细分。
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
通过模拟高效学习参数：边际化重抽样—移动方法
- 研究问题
- 在状态空间模型中，如何减轻隐状态与静态参数相互依赖造成的学习困难，并支持序贯推断和递归模型监测？
- 方法与思路
- 作者先用粒子滤波边际化隐状态，再对边际化系统实施贝叶斯重抽样—移动步骤，以更新参数后验。
- 材料陈述的贡献
- 摘要称该通用方法所需设计工作较少，可提供完整序贯推断的后验量，并展示模拟和金融模型中的应用。
- 阅读关注点
- 应核对边际似然如何估计、移动步骤与粒子数量如何选择，以及计算成本、后验误差和递归监测的实现。
- 阅读边界
- 仅据所给出版社摘要，无法确认效率提升的幅度和适用范围；模拟基准、实际数据与算法稳定性细节未说明。
原文摘要
In state–space models, parameter learning is practically difficult and is still an open issue. This paper proposes an efficient simulation-based parameter learning method. First, the approach breaks up the interdependence of the hidden states and the static parameters by marginalizing out the states using a particle filter. Second, it applies a Bayesian resample-move approach to this marginalized system. The methodology is generic and needs little design effort. Different from batch estimation methods, it provides posterior quantities necessary for full sequential inference and recursive model monitoring. The algorithm is implemented both on simulated data in a linear Gaussian model for illustration and comparison and on real data in a Lévy jump stochastic volatility model and a structural credit risk model.