Scenario Analysis with Multivariate Bayesian Machine Learning Models
多变量贝叶斯机器学习模型的情景分析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：摘要明确涉及条件预测、广义脉冲响应，以及金融压力下的宏观风险分析。
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
多变量贝叶斯机器学习模型的情景分析
- 研究问题
- 如何将条件预测与广义脉冲响应用于动态非参数模型，以分析金融压力情景中的宏观风险、冲击非对称性及国际溢出？
- 方法与思路
- 作者提出基于预测模拟和序贯蒙特卡洛的算法，将条件预测与广义脉冲响应工具扩展到动态非参数模型。
- 材料陈述的贡献
- 摘要通过压力情景预测、宏观风险和金融冲击溢出三类应用，指出宏观金融关系中的非线性与非对称性具有重要作用。
- 阅读关注点
- 应核对条件情景如何施加、序贯算法的稳定性，以及广义脉冲响应的解释和国际溢出结果所依赖的模型设定。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收均未核实；摘要未给出模型细节、冲击识别条件或经验效应的数值。
原文摘要
We present an econometric framework that adapts tools for scenario analysis, such as variants of conditional forecasts and generalized impulse responses, for use with dynamic nonparametric models. The proposed algorithms are based on predictive simulation and sequential Monte Carlo methods. Their utility is demonstrated with three applications: (1) conditional forecasts based on stress test scenarios, measuring (2) macroeconomic risk under varying financial stress, and estimating the (3) asymmetric effects of financial shocks in the US and their international spillovers. Our empirical results indicate the importance of nonlinearities and asymmetries in relationships between macroeconomic and financial variables.