Particle learning for Bayesian semi-parametric stochastic volatility model
Particle learning for Bayesian semi-parametric stochastic volatility model
复制标题
贝叶斯半参数随机波动率模型的粒子学习
DOI：
10.1080/07474938.2018.1514022
复制
发表时间：
2019
影响因子：
1.2
通讯作者：
P. Galeano
中科院分区：
文献类型：
--
作者：
Virbickait E ;H. F. Lopes ;M. C. Ausín ;P. Galeano
本文设计了一种序贯蒙特卡罗 (SMC) 算法，用于估计金融数据的贝叶斯半参数随机波动率模型。特别是，它利用了一种最新的粒子过滤器，称为粒子学习（PL）。 SMC 方法特别适合状态空间模型，并且可以被视为马尔可夫链蒙特卡罗 (MCMC) 的经济高效替代方案，因为它们允许在线类型推断。后验分布随着观察到新数据而更新，使用 MCMC 的成本极其高昂。此外，PL 允许使用顺序预测对数贝叶斯因子进行一致的在线模型比较。使用模拟数据来比较 PL 和 MCMC 方案的后验输出，结果显示它们几乎相同。最后，包括一个简短的真实数据应用程序。
This article designs a Sequential Monte Carlo (SMC) algorithm for estimation of Bayesian semi-parametric Stochastic Volatility model for financial data. In particular, it makes use of one of the most recent particle filters called Particle Learning (PL). SMC methods are especially well suited for state-space models and can be seen as a cost-efficient alternative to Markov Chain Monte Carlo (MCMC), since they allow for online type inference. The posterior distributions are updated as new data is observed, which is exceedingly costly using MCMC. Also, PL allows for consistent online model comparison using sequential predictive log Bayes factors. A simulated data is used in order to compare the posterior outputs for the PL and MCMC schemes, which are shown to be almost identical. Finally, a short real data application is included.
登录
查看更多内容
DOI：
10.1111/joes.12046
发表时间：
2014-02
期刊：
Econometrics: Single Equation Models eJournal
影响因子：
--
作者：
Audronė Virbickaitė;M. C. Ausín;Pedro Galeano
通讯作者：
Audronė Virbickaitė;M. C. Ausín;Pedro Galeano
影响因子：
6.3
作者：
Omori, Yasuhiro;Chib, Siddhartha;Nakajima, Jouchi
通讯作者：
Nakajima, Jouchi
影响因子：
1.2
作者：
R. Liesenfeld;J. Richard
通讯作者：
R. Liesenfeld;J. Richard
DOI：
--
发表时间：
2009
期刊：
--
影响因子：
--
作者：
R. Douc;É. Moulines;J. Olsson
通讯作者：
R. Douc;É. Moulines;J. Olsson
一般混合物的粒子学习
影响因子：
4.4
作者：
C. Carvalho;H. Lopes;Nicholas G. Polson;Matt Taddy
通讯作者：
Matt Taddy