Sampling and Filtering with Markov Chains
马尔可夫链采样与滤波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：摘要明确提到利用逐笔市场数据估计金融模型的趋势、波动率和参数，因此支持高频计量与波动率方向分类。
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
马尔可夫链采样与滤波
- 研究问题
- 如何利用连续时间马尔可夫链的速率变换开展采样、模型选择与滤波，并从逐笔观测中估计金融模型的状态或参数？
- 方法与思路
- 作者证明速率变换公式，据此构建重要性采样、拒绝采样及分支粒子滤波，推导滤波方程并给出直接求解方法。
- 材料陈述的贡献
- 摘要称结果适用于一般连续时间马尔可夫链观测，连续时间隐马尔可夫模型是其特例，并可用于逐笔数据下的波动率估计。
- 阅读关注点
- 应核对速率变换的适用条件、信号与观测过程的关系、滤波方程求解步骤，以及金融逐笔数据应用的模型要求。
- 阅读边界
- 所据为 arXiv 预印本，同行评审或期刊接收未核实；摘要未列出公式条件、算法误差或金融数据上的实际表现。
原文摘要
A continuous-time Markov chain rate change formula for simulation, model selection, filtering and theory is proven. It is used to develop Markov chain importance sampling, rejection sampling, branching particle filtering algorithms and filtering equations akin to the Duncan-Mortensen-Zakai equation and the Fujisaki-Kallianpur-Kunita equation but for Markov signals with general continuous-time Markov chain observations. A direct method of solving these filtering equations is given that, for example, applies to trend, volatility and/or parameter estimation in financial models given tick-by-tick market data. All the results also apply to continuous-time Hidden Markov Models (CTHMM), which have become important in applications like disease progression tracking, as special cases and the corresponding CTHMM results are stated as corollaries.