Bayesian inference and prediction of a multiple-change-point panel model with nonparametric priors
具有非参数先验的多变点面板模型：贝叶斯推断与预测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：题名和摘要明确研究多变点过程的推断与预测，并将模型用于共同基金收益。
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
具有非参数先验的多变点面板模型：贝叶斯推断与预测
- 研究问题
- 如何在短期状态和多变点面板模型中缓解参数化层级先验对异常状态参数的收缩，并共享各序列的状态转换信息？
- 方法与思路
- 作者将层级先验非参数化，并扩展到多个变点过程组成的面板，使先验能够共享状态变化概率方面的信息。
- 材料陈述的贡献
- 摘要称，该设定克服参数化层级先验对异常状态参数的收缩问题；美国主动管理股票基金应用显示基金能力随时间变化。
- 阅读关注点
- 应核对非参数先验的构造、状态变化概率如何跨序列共享，以及基金能力的定义、变点识别和预测评价方式。
- 阅读边界
- 仅据所给出版社摘要，不能确认收缩问题在所有设定下均被解决；基金能力结论的具体估计、稳健性和预测数值未说明。
原文摘要
Change point models using hierarchical priors have been very successful estimating the parameter values of short-lived regimes. However, hierarchical priors have been parametric which leads to shrinkage in the estimates of extraordinary regime parameters. We overcome this by modeling the hierarchical priors nonparametrically. We also extend the change point to a panel of change point processes where the prior shares in the probabilities of changing regimes. When applied to the returns from a panel of actively managed, US equity, mutual funds our multiple-change-point panel model finds mutual fund skill is not persistent but changes over time.