正则藤连接函数是一类灵活的依赖模型，但用于模型选择和推理的贝叶斯方法尚未完全发展。我们提出了稀疏诱导但非信息先验，并提出了新的建议，以使可逆跳马尔可夫链蒙特卡罗后验模拟能够用于贝叶斯模型选择和推理。我们的方法是第一个联合估计规则藤蔓连接的所有树的后验分布的方法。这是对现有的频率统计和贝叶斯策略的实质性改进，这些策略一次只能选择一棵树，并且已知会导致偏差。仿真研究证明了该策略的可行性，并表明与贝叶斯树对树选择相比，该策略结合了优越的选择和减少的计算时间。在一个实际数据示例中，我们使用基于贝叶斯正则藤连接函数构建的完全贝叶斯多元动态模型来预测九只交易所交易基金投资组合的每日预期尾部损失，以说明我们的模型在财务分析和风险估计方面的可行性。