Bayesian collapsed Gibbs sampling for a stochastic volatility model with a Dirichlet process mixture
含狄利克雷过程混合的随机波动模型：贝叶斯折叠Gibbs采样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：摘要明确研究市场组合的随机波动及其混合分布和贝叶斯采样，直接对应波动率，没有尾部风险或收益预测的充分依据。
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
含狄利克雷过程混合的随机波动模型：贝叶斯折叠Gibbs采样
- 研究问题
- 如何复现并扩展随机波动与狄利克雷过程混合模型的既有结果，提高采样效率，并考察包含疫情时期的数据表现？
- 方法与思路
- 作者采用正态—Wishart先验和折叠Gibbs采样处理混合部分，结合另一随机波动采样方法，进行原数据复现与近期数据分析。
- 材料陈述的贡献
- 摘要称算法适用设置更一般、采样更高效；原数据复现结果有明显差异，包含疫情的新数据中波动幅度和聚类数似乎增加。
- 阅读关注点
- 应核对先验与混合模型设定、折叠采样的效率指标，以及同数据复现差异的来源和近期数据下聚类数的解释。
- 阅读边界
- 仅据所给Crossref摘要，无法验证效率提升幅度或复现差异原因；疫情样本中的变化是作者观察，不能据此确定疫情的因果影响。
原文摘要
Summary This paper replicates the results of the stochastic volatility–Dirichlet process mixture (SV‐DPM) models proposed in Jensen and Maheu (2010) in both a narrow and a wide sense. By using a normal‐Wishart prior and the collapsed Gibbs sampling method, our algorithm can be applied for more general settings, and it is more efficient for sampling the Dirichlet process mixture. For the stochastic volatility component, we adopt the method in Chan (2017) to further increase the overall efficiency of our algorithm. Using the same dataset, we obtain mixed results. Some of the results have significant differences. If we use recent time period dataset, which includes the COVID‐19 pandemic period, the log market portfolio volatility seems to increase in terms of the number of clusters and size of magnitude.