因子随机波动模型的变分近似
摘要：高维多元因子随机波动模型的估计和预测是一个重要而活跃的研究领域，因为这些模型可以简洁地表示多元随机波动。因子随机波动模型的贝叶斯推断通常通过马尔可夫链蒙特卡罗方法进行，通常通过粒子马尔可夫链蒙特卡罗方法进行，由于涉及的参数和潜在状态的数量庞大，因此对于高维或长时间序列往往速度较慢。我们的文章提出了两个贡献。第一个是提出了快速而准确的变分贝叶斯方法，以近似因子随机波动模型的状态和参数的后验分布。第二个贡献是将这种批量方法扩展为在新观测到达时进行快速的顺序变分更新，以进行预测。该方法应用于模拟和实际数据集，并与最新的粒子马尔可夫链蒙特卡罗方法进行了比较，结果表明该方法产生了良好的近似推断和预测，而且速度更快。
作者：David Gunawan and Robert Kohn and David Nott
论文ID：2010.06738
分类：Computation
分类简称：stat.CO
提交时间：2021-04-27