Sequential Bayesian Learning for Hidden Semi-Markov Models
隐半马尔可夫模型的序贯贝叶斯学习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：摘要研究序贯时间序列模型，并明确应用于波动率指数 VIX，直接支持时间序列与金融波动率两个方向。
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…
隐半马尔可夫模型的序贯贝叶斯学习
- 研究问题
- 隐半马尔可夫模型的似然计算较复杂时，如何以可行计算成本开展序贯贝叶斯参数学习，并将近似误差限制为蒙特卡洛误差？
- 方法与思路
- 作者提出并验证用于隐半马尔可夫模型的贝叶斯参数估计算法，在 VIX 序列上结合隐藏半马尔可夫状态与自回归模型进行分析。
- 材料陈述的贡献
- 摘要称，该计算方案兼顾计算可行性、仅含蒙特卡洛误差的精确性和序贯估计，并展示状态切换、模型选择及聚类用途。
- 阅读关注点
- 核对状态持续时间的建模、序贯更新和似然计算方式，以及精确性的定义；检查蒙特卡洛误差、计算成本和 VIX 比较结果。
- 阅读边界
- 所用版本为 arXiv 预印本，同行评审或接收未核实；摘要未给算法细节和误差数值，仅含蒙特卡洛误差不表示有限计算下无误差。
原文摘要
In this paper, we explore the class of the Hidden Semi-Markov Model (HSMM), a flexible extension of the popular Hidden Markov Model (HMM) that allows the underlying stochastic process to be a semi-Markov chain. HSMMs are typically used less frequently than their basic HMM counterpart due to the increased computational challenges when evaluating the likelihood function. Moreover, while both models are sequential in nature, parameter estimation is mainly conducted via batch estimation methods. Thus, a major motivation of this paper is to provide methods to estimate HSMMs (1) in a computationally feasible time, (2) in an exact manner, i.e. only subject to Monte Carlo error, and (3) in a sequential setting. We provide and verify an efficient computational scheme for Bayesian parameter estimation on HSMMs. Additionally, we explore the performance of HSMMs on the VIX time series using Autoregressive (AR) models with hidden semi-Markov states and demonstrate how this algorithm can be used for regime switching, model selection and clustering purposes.