摘要
针对参数未知的一般状态空间模型,我们提出了两种新的序贯蒙特卡罗(SMC)平滑方法。第一种是对Carvalho、Johannes、Lopes和Polson(2010)的粒子学习与平滑(PLS)算法进行了修改,并对反向重采样权重进行了调整。第二种方法称为重新过滤,它是一种两阶段的方法,结合了顺序参数学习和粒子平滑算法。我们使用模拟数据说明了三个基准模型的方法,并将其应用于金融危机期间标准普尔500指数每日收益的随机波动率模型。我们表明,这两种新方法都优于现有的SMC方法,并且重新滤波与基于马尔可夫链蒙特卡罗(MCMC)和粒子MCMC的平滑方法具有竞争力。
引用
下载引文
杨彪。
乔纳森·斯特劳德。
加布里埃尔·韦尔塔。
“带参数估计的序贯蒙特卡罗平滑”
贝叶斯分析。
13
(4)
1137 - 1161,
2018年12月。
https://doi.org/10.1214/17-BA1088
问询处
发布日期:2018年12月
首次在欧几里德项目中提供:2017年12月29日
数字对象标识符:10.1214/17-BA1088
关键词:贝叶斯平滑,粒子滤波,粒子学习,粒子平滑,状态空间模型,随机波动性