A Class of Non-Gaussian State Space Models With Exact Likelihood Inference
一类可进行精确似然推断的非高斯状态空间模型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：摘要明确将随机波动率模型列为适用对象，因此选择波动率方向；强度与持续期模型的应用背景尚不足以支持高频金融分类。
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
一类可进行精确似然推断的非高斯状态空间模型
- 研究问题
- 一般非线性、非高斯状态空间模型的似然涉及高维积分；哪些具有非负潜在状态的模型能够实现精确似然计算和状态推断？
- 方法与思路
- 作者针对一类潜在状态服从非负随机过程的非高斯状态空间模型，给出精确似然计算以及滤波、平滑程序，用于参数和潜在状态估计。
- 材料陈述的贡献
- 摘要称该框架涵盖随机强度、随机波动率和随机持续期等模型，所给程序支持贝叶斯与频率学派估计，并能估计潜在状态。
- 阅读关注点
- 阅读时应核对可精确计算的模型类别、观测方程与状态转移限制、滤波和平滑的具体程序，以及“精确”计算的含义与计算代价。
- 阅读边界
- 摘要未说明非负过程的具体形式、模型类的边界或数值实现细节，不能将精确似然结论推广至任意非线性、非高斯状态空间模型。
原文摘要
The likelihood function of a general nonlinear, non-Gaussian state space model is a high-dimensional integral with no closed-form solution. In this article, I show how to calculate the likelihood function exactly for a large class of non-Gaussian state space models that include stochastic intensity, stochastic volatility, and stochastic duration models among others. The state variables in this class follow a nonnegative stochastic process that is popular in econometrics for modeling volatility and intensities. In addition to calculating the likelihood, I also show how to perform filtering and smoothing to estimate the latent variables in the model. The procedures in this article can be used for either Bayesian or frequentist estimation of the model’s unknown parameters as well as the latent state variables. Supplementary materials for this article are available online.