×
Hedibert F.洛佩斯。;Tsay，Ruey S。

金融计量经济学中的粒子滤波和贝叶斯推理。 （英语） Zbl 1217.91146号

J.预测。 第1期第30页，第168-209页（2011年）.
摘要：我们回顾了序贯蒙特卡罗（SMC）方法或粒子滤波器（PF），特别强调了其在金融时间序列分析和计量经济学中的潜在应用。我们从众所周知的正规动态线性模型开始，也称为正规线性状态空间模型，对于该模型，可以通过标准卡尔曼滤波器和卡尔曼平滑递归以闭合形式进行顺序状态学习。然后引入粒子滤波器作为一组蒙特卡罗方案，当正态性或线性或两者都被放弃时，该方案可以实现卡尔曼型递归。Gordon、Salmond和Smith（1993）的开创性引导过滤器（BF）用于介绍SMC术语、潜力和局限性。我们还回顾了有关参数学习的文献，近年来，这一领域开始受到粒子滤波界的关注。我们特别关注Carvalho、Johannes、Lopes和Polson（2010）的Liu-West滤波器（2001）、Storvik滤波器（2002）和粒子学习（PL）。我们认为，Pitt和Shephard（1999）的BF和辅助粒子过滤器（APF）在粒子过滤器文献中定义了两个根本不同的方向。我们还表明，这种区别在参数学习中更加明显，并认为遵循APF方向的PL是一种有吸引力的扩展。我们的贡献之一是梳理了从BF到APF（20世纪90年代）、从APF到现在（2000年代）以及从Liu-West过滤器到Storvik过滤器到PL的研究。为此，我们为本文的所有示例提供了R代码。欢迎读者以自己的方式进入这个充满活力和活力的研究领域。

引用于30文件

MSC公司：

91B82号 统计方法；经济指标与措施

关键词：

粒子学习;序贯蒙特卡罗;马尔科夫蒙特卡洛;随机波动性;已实现波动率;Nelson-Siegel模型

软件：

数据链路管理;FinTS公司;dynaTree（动态树）
PDF格式BibTeX公司 XML格式引用
\textit{H.F.Lopes}和\textit{R.S.Tsay}，J.Forecast。30，第1号，168--209（2011；Zbl 1217.91146）
全文： 内政部

参考文献：

[1] Alspach，使用高斯和近似的非线性贝叶斯估计，IEEE自动控制汇刊17第439页–（1972）·Zbl 0264.93023号
[2] Andrieu，部分观测高斯状态空间模型的粒子滤波，《皇家统计学会杂志》，B辑64，第827页–（2002）·兹比尔1067.62098
[3] Andrieu，跳跃Markov系统的高效粒子滤波：时变自回归的应用，IEEE信号处理汇刊51，第1762页–（2003）·Zbl 1369.94075号
[4] Andrieu，用于变化检测、系统识别和控制的粒子方法，IEEE 92论文集，第423页–（2004）
[5] Andrieu C Doucet A TadićVB.2005一般状态空间模型中的在线参数估计第44届决策和控制会议论文集332 337
[6] Andrieu，《粒子马尔可夫链蒙特卡罗》（带讨论），《皇家统计学会杂志》，B辑72，第269页–（2010）
[7] Arulampalam，在线非线性/非高斯贝叶斯跟踪粒子滤波器教程，IEEE信号处理汇刊50，第174页–（2002）
[8] Briers，《状态空间模型的平滑算法》，《统计数学研究所年鉴》62第61页–（2010）·Zbl 1422.62297号
[9] Cappé，《序贯蒙特卡罗现有方法和最新进展概述》，IEEE Proceedings in Signal Processing 95 pp 899–（2007）
[10] 卡林，非正态和非线性状态空间建模的蒙特卡罗方法，《美国统计协会杂志》87页493–（1992）
[11] Carpenter，《非线性问题的改进粒子滤波器》，IEE《雷达、声纳和导航学报》146 pp 2–（1999）
[12] Carter，On Gibbs状态空间模型抽样，Biometrika 81 pp 541–（1994）·Zbl 0809.62087号
[13] 卡瓦略，马尔可夫转换随机波动率模型的基于模拟的序列分析，计算统计与数据分析51，第4526页–（2007）·Zbl 1162.62426号
[14] Carvalho CM Lopes HF Polson N.2009a广义动态条件线性模型的粒子学习
[15] Carvalho CM Lopes HF Polson NG Taddy M.2009b一般混合物的粒子学习
[16] 卡瓦略，《粒子学习与平滑》，《统计科学》（2010）·Zbl 1328.62541号
[17] Chen H Petria F Lopes HF.2009 DSGE模型的序贯蒙特卡罗估计
[18] Chen，Mixed Kalman filter，《皇家统计学会杂志》，B辑62 pp 493–（2000）
[19] Chen，通过Rao-Blackwellized粒子滤波器识别和自适应控制变点ARX模型，IEEE自动控制汇刊52，第67页–（2007）·Zbl 1366.93671号
[20] Chen Z.2003贝叶斯滤波：从卡尔曼滤波到粒子滤波及其他
[21] Chib，随机波动模型的马尔可夫链蒙特卡罗方法，《计量经济学杂志》108第281页–（2002）·Zbl 1099.62539号
[22] Chib，《高维多元随机波动模型分析》，《计量经济学杂志》134页341–（2006）·Zbl 1418.62377号
[23] 肖邦，静态模型的序列粒子滤波方法，Biometrika 89 pp 539–（2002）·兹比尔1036.62062
[24] Creal，《Lévy驱动随机波动率模型的滤波和平滑算法分析》，《计算统计与数据分析》52页，2863–（2008）·Zbl 1452.62757号
[25] Da Silva CQ Migon HS Correira LT.2009贝叶斯贝塔动态模型及其应用
[26] DeJong DN Dharmarajan H Liesenfeld R Moura GV Richard J-F.2009状态空间表示的有效似然评估
[27] Del Moral，《连续蒙特卡罗采样器》，《皇家统计学会杂志》，B辑68，第411页–（2006）·Zbl 1105.62034号
[28] Douc R Garivier E Moulines E Olsson J.2009a关于一般状态空间模型中平滑分布的前向滤波后向平滑粒子近似
[29] Douc，《辅助粒子滤波器的最优化》，《概率与数学统计》29页，第1页–（2009b）·Zbl 1176.62092号
[30] Doucet，《辅助粒子过滤器注释》，《统计与概率快报》第78页，1498页–（2008）·Zbl 1152.62066号
[31] Doucet，《非线性滤波手册》（2010）
[32] Doucet，使用粒子方法的一般状态空间模型中的参数估计，统计数学研究所年鉴55第409页–（2003）·Zbl 1047.62084号
[33] Doucet，《贝叶斯滤波的序贯蒙特卡罗抽样方法》，《统计与计算》，第10页，197–（2000）
[34] Doucet，实践中的序贯蒙特卡罗方法（2001a）·Zbl 0967.00022号 ·doi:10.1007/978-1-4757-3437-9
[35] Doucet，跳跃马尔可夫线性系统状态估计的粒子滤波器，IEEE信号处理汇刊49，第613页–（2001b）
[36] DukićV Lopes HF Polson NG.2009使用谷歌趋势和粒子学习追踪流感疫情
[37] Eraker，波动性和收益跳跃的影响，《金融杂志》58页1269–（2003）
[38] Fearnhead，马尔可夫链蒙特卡罗，充分统计和粒子滤波，《计算与图形统计杂志》11页848–（2002）
[39] Fearnhead，成分数量未知的混合模型的粒子过滤器，《统计与计算》14，第11页–（2004）
[40] Fearnhead，通过粒子滤波器对隐马尔可夫模型的在线推断，《皇家统计学会杂志》，B辑65页887–（2003）·Zbl 1059.62098号
[41] Fearnhead，部分观测连续时间模型的精确滤波，《皇家统计学会杂志》，B系列66页771–（2004）·Zbl 1046.62100号
[42] Fearnhead，部分观测扩散的粒子过滤器，皇家统计学会杂志，B辑70 pp 755–（2008a）·兹伯利05563368
[43] Fearnhead P Wyncoll D Tawn J.2008b具有线性计算成本的顺序平滑算法·Zbl 1406.62093号
[44] Fernández-Villaverde，《估算动态均衡经济：线性与非线性可能性》，《应用计量经济学杂志》，20页，第891页–（2005）
[45] Fernández-Villaverde，《估算宏观经济模型：可能性方法》，《经济研究评论》，第74页，1059页–（2007年）·Zbl 1206.91064号
[46] Frühwirth-Schnatter，《数据增强和动态线性模型》，《时间序列分析杂志》，第15页，第183页–（1994）
[47] Gamerman，Markov Chain Monte Carlo:贝叶斯推断的随机模拟（2006）
[48] 吉尔克斯，《跟随一个移动目标：动态贝叶斯模型的蒙特卡洛推断》，《皇家统计学会杂志》，B辑63，第127页–（2001）·Zbl 0976.62021号
[49] Gordon，非线性/非高斯贝叶斯状态估计的新方法。IEE Proceedings F，雷达信号处理140 pp 107–（1993）
[50] Godsill，非线性时间序列的蒙特卡罗平滑，美国统计协会杂志99页156–（2004）·Zbl 1089.62517号
[51] Gramacy R Polson NG.2010用于序列设计和优化的高斯过程模型的粒子学习
[52] 郭，非线性动力系统的新序贯蒙特卡罗方法，《统计与计算》15页135–（2005）
[53] Han，MCMC计算贝叶斯因子的方法：比较综述，《美国统计协会杂志》96页1122–（2000）
[54] Harvey，预测，结构时间序列模型和卡尔曼滤波器（1989）
[55] 伊藤，非线性滤波问题的高斯滤波器，IEEE自动控制汇刊45 pp 910-（2000）·Zbl 0976.93079号
[56] Jacquier，随机波动率模型的贝叶斯分析，《商业与经济统计杂志》，20页，69–（1994）
[57] Jasra A Stephens DA Doucet A Tsagaris T.2008通过自适应序贯蒙特卡罗推断Lévy驱动的随机波动率模型·Zbl 1246.91149号
[58] Jazwinski，随机过程和过滤理论（1970）
[59] Johannes，《金融时间序列手册》第1115页–（2009年）
[60] Johannes M Korteweg A Polson NG.2008顺序学习、预测回归和最佳投资组合回报
[61] Johannes，跳跃扩散的最优过滤：从资产价格中提取潜在状态，《金融研究评论》22卷2559页–（2009年）
[62] 朱利尔SJ Uhlmann JK。1997年卡尔曼滤波器对非线性系统的新扩展AeroSense会议录：第11届航空航天、国防传感、仿真和控制国际研讨会182 193
[63] Kass，Bayes factors，《美国统计协会杂志》90 pp 773–（1995）
[64] Kim，《随机波动性：似然推断和与ARCH模型的比较》，《经济研究评论》65页361–（1998）·兹比尔0910.90067
[65] 北川，非高斯非线性状态空间模型的蒙特卡罗滤波器和平滑器，《计算与图形统计杂志》5第1页–（1996）
[66] Kong，顺序插补和贝叶斯缺失数据问题，《美国统计协会杂志》89页590–（1994）
[67] Li H.2009时变无限活动衍生品定价模型的序贯贝叶斯分析
[68] Li，用Lévy跳跃对收益动态的贝叶斯分析，《金融研究评论》21页2345–（2008）
[69] 刘，科学计算中的蒙特卡罗策略（2001）·Zbl 0991.65001号
[70] 刘，通过序列插补进行盲反褶积，《美国统计协会杂志》90页567–（1995）·Zbl 0826.62062号
[71] 刘，动态系统的序贯蒙特卡罗方法，美国统计协会杂志93 pp 1032–（1998）·兹比尔1064.65500
[72] 刘，实践中的序贯蒙特卡罗方法第197页–（2001）·doi:10.1007/978-1-4757-3437-910
[73] Lopes，《牛津应用贝叶斯分析手册》第319页–（2010年）
[74] Lopes，因子分析中的贝叶斯模型评估，《中国统计》14第41页–（2004）·Zbl 1035.62060号
[75] Lopes，贝叶斯统计9（2010）
[76] Lund B Lopes HF.2009年学习期限结构的制度转换宏观金融模型
[77] MacEachern，《非参数贝叶斯模型的序贯重要性抽样：下一代》，《加拿大统计杂志》27卷第251页–（1999年）·Zbl 0957.62068号
[78] Mukherjee C West M.2009模型比较中的序贯蒙特卡罗：系统生物学中的细胞动力学示例
[79] Olsson，序贯蒙特卡罗平滑及其在非线性状态空间模型参数估计中的应用，Bernoulli 14 pp 155–（2008）·Zbl 1155.62055号
[80] Omori，《杠杆作用下的随机波动性：快速有效的似然推断》，《计量经济学杂志》140页，第425页–（2007年）·Zbl 1247.91207号
[81] Petris，带R的动态线性模型（2009）·doi:10.1007/b135794_2
[82] 皮特，《通过模拟进行过滤：辅助粒子过滤器》，《美国统计协会杂志》94 pp 590–（1999）·Zbl 1072.62639号
[83] Polson，《序贯参数学习实用滤波》，《皇家统计学会杂志》，B辑70 pp 413–（2008）·Zbl 1351.62177号
[84] Poyiadjis G Doucet A Singh党卫军。2005最佳滤波器导数的粒子方法：在参数估计中的应用IEEE声学、语音和信号处理国际会议论文集
[85] Prado R Lopes HF.2009结构化AR模型中的序贯参数学习和滤波
[86] 普拉多，《时间序列：建模、计算和推断》（2010年）
[87] Raggi D Bordignon S.2006跳跃随机波动率模型的序列蒙特卡罗方法·Zbl 1445.62259号
[88] Reis，《动态线性模型抽样方案的比较》，《国际统计评论》第74页第203页–（2006）
[89] Rios MP Lopes HF.2009随机波动率模型中的序列参数估计
[90] Ristic，Beyond the Kalman Filter:跟踪应用的粒子过滤器（2004）
[91] Shephard，偏非高斯状态空间，Biometrika 81 pp 115–（1994）·兹比尔0796.62079
[92] Shi M Dunson数据库。2009年基于粒子随机搜索的贝叶斯变量选择
[93] Smith，《没有眼泪的贝叶斯统计：抽样-重抽样视角》，《美国统计学家》46页84–（1992）
[94] 因此，带有马尔可夫转换的随机波动率模型，《商业与经济统计杂志》16页244–（1998）
[95] Storvik，存在未知静态参数的状态空间模型的粒子滤波器，IEEE信号处理汇刊50，第281页–（2002）
[96] Taddy M Gramacy R Polson NG，2010学习和设计动态树·Zbl 1396.62158号
[97] 蔡，《金融时间序列分析》（2005）
[98] 范德默韦，《神经信息处理系统进展》，第584页–（2000）
[99] 韦斯特，《贝叶斯统计》4，第503页–（1992年）
[100] West，混合物的近似后验分布，皇家统计学会杂志，B系列54 pp 553–（1993a）·Zbl 0800.62221号
[101] 韦斯特，混合模型，蒙特卡罗，贝叶斯更新和动态模型，《计算科学与统计》，24页，325–（1993b）
[102] 韦斯特，贝叶斯预测和动态模型（1997）·Zbl 0871.62026号
[103] West，《动态广义线性模型和贝叶斯预测》，《美国统计协会杂志》80页73–（1985）·Zbl 0568.62032号
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。