Bayes Factors for Discrete Observations from Diffusion Processes
基于扩散过程离散观测的贝叶斯因子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：摘要明确研究精细时间尺度的扩散过程离散观测与时间序列模型选择，并提供股票指数应用。
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
基于扩散过程离散观测的贝叶斯因子
- 研究问题
- 对精细时间尺度上的离散观测，如何比较具有时变漂移及扩散系数的连续时间模型，并区分随机游走与均值回复？
- 方法与思路
- 作者将潜在过程建模为扩散过程，讨论扩散系数的不同设定，提出仅利用离散数据的贝叶斯因子近似，并用于标准普尔500指数。
- 材料陈述的贡献
- 摘要称，文章提供离散观测下的模型选择方法，以多种经典过程说明，并在股票指数数据上比较随机游走和均值回复模型。
- 阅读关注点
- 应核对贝叶斯因子的近似步骤、模型先验和离散观测间隔要求，并查看指数应用中两类模型的具体定义及比较依据。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；近似误差、先验细节及指数观测频率未说明，也未报告哪类模型获得更多支持。
原文摘要
We present an approach to model selection for a time series of data on a fine time scale. The underlying process generating the data is modelled as a continuous time stochastic process. The underlying continuous processes are assumed to be diffusions with time varying drift and diffusion coefficient. Several approaches to modelling the diffusion coefficient are described. To perform model selection, we propose an approximation to the Bayes factor that uses only the discrete data. We illustrate our approach for several well-known processes including: Brownian motion with drift, the Ornstein-Uhlenbeck process, a mean reversion process with drift, exponential Brownian motion, and a logistic growth model. Finally, we apply our technique to data from the Standard & Poor's 500 stock index by comparing a random walk to a mean reversion model.