Sensitivity Analysis of Priors in the Bayesian Dirichlet Auto-Regressive Moving Average Model
贝叶斯 Dirichlet 自回归移动平均模型的先验敏感性分析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：摘要研究成分时间序列的 ARMA 动态、滞后误设及预测，未涉及资产收益预测或定价。
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…
贝叶斯 Dirichlet 自回归移动平均模型的先验敏感性分析
- 研究问题
- 在成分时间序列的贝叶斯 Dirichlet ARMA 模型中，先验选择如何与滞后阶数正确、过拟合和欠拟合相互作用，影响估计与预测？
- 方法与思路
- 作者在三类滞后设定下比较弱信息、马蹄、Laplace、正态混合及层级先验，并用较大滞后结构拟合每日标普五百行业权重。
- 材料陈述的贡献
- 摘要称，正确阶数下各先验误差相近，过拟合时强收缩改善预测，而遗漏关键动态项时均难补救，强调收缩强度与滞后选择的配合。
- 阅读关注点
- 应核对先验尺度及超参数、滞后设定与模拟机制、预测评价方式，以及行业权重的成分约束如何进入模型和误差比较。
- 阅读边界
- 这是预印本，同行评审及期刊接收未核实；摘要未给出误差数值或不确定性，“先验无法补救误设”应结合所考察设定理解。
原文摘要
Prior choice can strongly influence Bayesian Dirichlet ARMA (B-DARMA) inference for compositional time-series. Using simulations with (i) correct lag order, (ii) overfitting, and (iii) underfitting, we assess five priors: weakly-informative, horseshoe, Laplace, mixture-of-normals, and hierarchical. With the true lag order, all priors achieve comparable RMSE, though horseshoe and hierarchical slightly reduce bias. Under overfitting, aggressive shrinkage-especially the horseshoe-suppresses noise and improves forecasts, yet no prior rescues a model that omits essential VAR or VMA terms. We then fit B-DARMA to daily SP 500 sector weights using an intentionally large lag structure. Shrinkage priors curb spurious dynamics, whereas weakly-informative priors magnify errors in volatile sectors. Two lessons emerge: (1) match shrinkage strength to the degree of overparameterization, and (2) prioritize correct lag selection, because no prior repairs structural misspecification. These insights guide prior selection and model complexity management in high-dimensional compositional time-series applications.