×

多元贝叶斯结构时间序列模型。 (英语) Zbl 1475.62239号

摘要:本文讨论多个相关时间序列的推断和预测,其中还可以选择为每个目标序列使用一个候选的同期预测因子库。从时间序列的结构模型开始,我们使用贝叶斯工具进行模型拟合、预测和特征选择,从而将最近的一些工作扩展到单变量情况。此多元设置中的贝叶斯范式有助于模型避免过拟合,并捕获具有各种状态分量的多目标时间序列之间的相关性。该模型在为每个目标系列选择不同的组件集和可用预测因子时提供了所需的灵活性。模型中的周期成分可以处理短期内可能由外部冲击引起的巨大变化。进行了广泛的模拟,以研究诸如估计准确性和预测性能等特性。随后进行了一项一步到位的实证研究预测涉及四家主要金融机构的股票组合的最大对数回报率。仿真研究和广泛的实证研究都证实,该多元模型优于其他三个基准模型,即将每个目标序列视为独立的模型、带回归的自回归综合移动平均模型(ARIMAX)和多元ARIMAX模型。

MSC公司:

62M10个 统计学中的时间序列、自相关、回归等(GARCH)
2015年1月62日 贝叶斯推断
62甲12 多元分析中的估计
62M20型 随机过程推断和预测
PDF格式BibTeX公司 XML格式引用
全文: arXiv公司 链接

参考文献:

[1] 斯蒂芬·巴赫(Stephen Bach)、伯特·黄(Bert Huang)、本·伦敦(Ben London)和莉斯·盖图(Lise Getoor)。铰链损失马尔可夫随机场:结构化预测的凸推理。arXiv:1309.68132013年。
[2] D.Blei和P.Smyth。科学和数据科学。《美国国家科学院院刊》,114(33):8689-86922017年。
[3] Kay H Brodersen、Fabian Gallusser、Jim Koehler、Nicolas Remy和Steven L Scott。使用贝叶斯结构时间序列模型推断因果影响。应用统计年鉴,9(1):247-2742015·Zbl 1454.62473号
[4] 弗朗索瓦·卡隆(Francois Caron)、伊曼纽尔·杜弗洛斯(Emmanuel Duflos)、丹尼斯·波莫尔斯基(Denis Pomorski)和菲利普·万希耶(Philippe Vanheeghe)。使用多传感器卡尔曼滤波的GPS/IMU数据融合:上下文方面的介绍。信息融合,7(2):221-2302006。
[5] 罗伯特·克利夫兰(Robert B Cleveland)、威廉·S·克利夫兰和伊玛·特彭宁(Irma Terpenning)。STL:基于黄土的季节趋势分解程序。《官方统计杂志》,6(1):31990年。
[6] 科琳娜·科尔特斯和弗拉基米尔·瓦普尼克。支持向量机。机器学习,20(3):273-2971995·Zbl 0831.68098号
[7] Lehel Csat´o和Manfred Opper。稀疏在线高斯过程。神经计算,14(3):641-6682002。31 ·Zbl 0987.62060号
[8] 詹姆斯·杜宾(James Durbin)和暹粒·扬·库普曼(Siem Jan Koopman)。用于状态空间时间序列分析的简单高效模拟平滑器。《生物特征》,89(3):603-6162002·Zbl 1036.62071号
[9] 詹妮弗·戴伊(Jennifer G Dy)和卡拉·布罗德利(Carla E Brodley)。无监督学习的特征选择。机器学习研究杂志,5(8月):845-8892004·Zbl 1222.68187号
[10] 爱德华一世乔治和罗伯特·E·麦卡洛克。贝叶斯变量选择方法。中国统计局,第339-373页,1997年·Zbl 0884.62031号
[11] 威廉·格里菲斯(William E Griffiths)。看似无关回归模型中的贝叶斯推断。《计算机辅助计量经济学》,第263-290页。CRC出版社,2003年。
[12] 伊莎贝尔·盖恩和安德烈·埃利塞夫。变量和特征选择简介。机器学习研究杂志,3(3月):1157-11822003·Zbl 1102.68556号
[13] 安德鲁·哈维(Andrew C Harvey)。预测、结构时间序列模型和卡尔曼滤波。剑桥大学出版社,1990年·Zbl 0725.62083号
[14] 安德鲁·哈维(Andrew C Harvey)、托马斯·特林伯(Thomas M Trimbur)和赫尔曼·范·迪克(Herman K Van Dijk)。经济时间序列的趋势和周期:贝叶斯方法。《计量经济学杂志》,140(2):618-6492007·Zbl 1247.91149号
[15] Jennifer A Hoeting、David Madigan、Adrian E Raftery和Chris T Volinsky。贝叶斯模型平均:教程。《统计科学》,第382-401页,1999年·Zbl 1059.62525号
[16] S Sathiya Keerthi和Chih-Jen Lin。高斯核支持向量机的渐近行为。神经计算,15(7):1667-16892003·Zbl 1086.68569号
[17] Terry Koo、Amir Globerson、Xavier Carreras P´erez和Michael Collins。通过矩阵树定理建立结构化预测模型。在自然语言处理和计算自然语言学习经验方法联合会议(EMNLPCoNLL)上,第141-150页,2007年。
[18] 巴拉吉·克里希纳普拉姆(Balaji Krishnapuram)、劳伦斯·卡林(Lawrence Carin)、马里奥·菲格雷多(Mario AT Figueiredo)和亚历山大·哈丁克(Alexander J Hartemink)。稀疏多项式logistic回归:快速算法和泛化界限。IEEE模式分析和机器智能事务,27(6):957-9682005。
[19] David Madigan和Adrian E Raftery。模型选择和使用Occam窗口计算图形模型中的模型不确定性。《美国统计协会杂志》,89(428):1535-15461994年·Zbl 0814.62030号
[20] Mehryar Mohri、Afshin Rostamizadeh和Amee Talwalkar。机器学习基础。麻省理工学院出版社,2012年·Zbl 1318.68003号
[21] 塞巴斯蒂安·诺沃津(Sebastian Nowozin)和克里斯托夫·兰伯特(Christoph H Lampert)。计算机视觉中的结构化学习和预测。计算机图形与视觉基础与趋势,6(3-4):185-3652011·Zbl 1221.68248号
[22] 乔纳斯·彼得斯、多米尼克·詹津和伯恩哈德·施奥尔科普夫。因果推理的要素:基础和学习算法。麻省理工学院出版社,2017年12月978-0日。32 ·Zbl 1416.62012年
[23] Giovanni Petris、Sonia Petrone和Patrizia Campagnoli。动态线性模型。带R的动态线性模型,第31-842009页·Zbl 1176.62088号
[24] 托比亚斯·普赖斯(Tobias Preis)、海伦·苏珊娜·莫特(Helen Susannah Moat)和H·尤金·斯坦利(H Eugene Stanley)。使用谷歌趋势量化金融市场中的交易行为。科学报告,3:srep016842013。
[25] Peter E Rossi、Greg M Allenby和Rob McCulloch。贝叶斯统计和营销。John Wiley&Sons,2012年·Zbl 1094.62037号
[26] 赛义德·赛义德和大卫·A·迪基。未知阶自回归移动平均模型的单位根检验。Biometrika,71(3):599-6071984·Zbl 0564.62075号
[27] 史蒂文·斯科特(Steven L Scott)和哈尔·瓦里安(Hal R Varian)。用贝叶斯结构时间序列预测当前。国际数学建模与数值优化杂志,5(1-2):4-232014·Zbl 1302.62289号
[28] 史蒂文·斯科特(Steven L Scott)和哈尔·瓦里安(Hal R Varian)。当前预测经济时间序列的贝叶斯变量选择。在数字经济的经济分析中,第119-135页。芝加哥大学出版社,2015年。
[29] 路易斯·托戈。使用R.Learning进行数据挖掘,并进行案例研究。CRC,博卡拉顿,2011年。
[30] 哈尔·瓦里安。大数据:计量经济学的新技巧。《经济展望杂志》,28(2):3-272014年。
此参考列表基于出版商或数字数学图书馆提供的信息。它的项目与zbMATH标识符启发式匹配,并且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。