Poisson-Driven Stationary Markov Models
泊松驱动的平稳马尔可夫模型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：摘要聚焦一般平稳马尔可夫模型的构造，虽提到金融数据，却未说明具体金融研究目标，不足以对应所列领域细分。
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…
泊松驱动的平稳马尔可夫模型
- 研究问题
- 如何构造具有任意给定不变分布的严格平稳马尔可夫模型，并控制其依赖结构与转移概率，使模型能够进行统计估计？
- 方法与思路
- 作者通过泊松型变换调节依赖结构，利用所得转移密度构建基于切片方法的 Gibbs 采样器，并分别讨论离散时间和连续时间的分布实例。
- 材料陈述的贡献
- 摘要称，该构造能够指定不变分布并控制转移概率，便于纳入标准估计方法；作者实现了采样算法，并以真实金融数据示范。
- 阅读关注点
- 应核对给定不变分布可被构造的条件、泊松型变换对依赖结构的作用，以及离散与连续时间下转移密度和采样算法的实现。
- 阅读边界
- 摘要未说明金融数据对应的变量、样本规模或比较结果；“任意不变分布”的具体适用条件和算法表现，仍需阅读全文核实。
原文摘要
We propose a simple yet powerful method to construct strictly stationary Markovian models with given but arbitrary invariant distributions. The idea is based on a Poisson-type transform modulating the dependence structure in the model. An appealing feature of our approach is the possibility to control the underlying transition probabilities and, therefore, incorporate them within standard estimation methods. Given the resulting representation of the transition density, a Gibbs sampler algorithm based on the slice method is proposed and implemented. In the discrete-time case, special attention is placed to the class of generalized inverse Gaussian distributions. In the continuous case, we first provide a brief treatment of the class of gamma distributions, and then extend it to cover other invariant distributions, such as the generalized extreme value class. The proposed approach and estimation algorithm are illustrated with real financial datasets. Supplementary materials for this article are available online.