Discretizing nonlinear, non-Gaussian Markov processes with exact conditional moments
精确匹配条件矩的非线性、非高斯马尔可夫过程离散化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：摘要明确将离散化方法用于资产定价模型，包括稀有灾难模型。
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
精确匹配条件矩的非线性、非高斯马尔可夫过程离散化
- 研究问题
- 如何将一般非线性、非高斯马尔可夫过程近似为有限状态链，以降低动态经济模型求解成本并保留条件分布信息？
- 方法与思路
- 作者使用最大熵方法匹配条件分布的低阶矩，并将所得离散化方法用于包含不同基本面过程的资产定价模型。
- 材料陈述的贡献
- 摘要称，该方法突破线性高斯自回归过程的限制，在所考察模型中显著改善求解精度，并简化计算算法。
- 阅读关注点
- 应核对条件矩匹配的可行性、网格与矩阶数选择、误差衡量方式，以及稀有灾难和高持续性情形的比较设计。
- 阅读边界
- 仅据所给OpenAlex版本摘要，不能将其精度优势推广至所有过程；具体比较数值与适用条件未说明，刊本变化未知。
原文摘要
Approximating stochastic processes by finite-state Markov chains is useful for reducing computational complexity when solving dynamic economic models. We provide a new method for accurately discretizing general Markov processes by matching low order moments of the conditional distributions using maximum entropy. In contrast to existing methods, our approach is not limited to linear Gaussian autoregressive processes. We apply our method to numerically solve asset pricing models with various underlying stochastic processes for the fundamentals, including a rare disasters model. Our method outperforms the solution accuracy of existing methods by orders of magnitude, while drastically simplifying the solution algorithm. The performance of our method is robust to parameters such as the number of grid points and the persistence of the process.