On the use of approximate Bayesian computation Markov chain Monte Carlo with inflated tolerance and post-correction
近似贝叶斯计算允许使用模型模拟来推断具有棘手可能性的复杂概率模型。近似贝叶斯计算的马尔可夫链蒙特卡罗实现通常对容差参数敏感：低容差导致不良混合，大容差导致过度偏差。我们考虑一种方法，使用一个相对较大的公差的马尔可夫链蒙特卡罗采样器，以确保其充分的混合，和后处理的输出导致估计的范围内更精细的公差。我们引入了一个近似的置信区间相关的后校正估计，并提出了一个自适应的近似贝叶斯计算马尔可夫链蒙特卡罗，找到一个“平衡”的容忍度自动水平，接受率优化的基础上。我们的实验表明，基于后处理的估计器可以执行更好的比直接马尔可夫链瞄准一个很好的公差，我们的置信区间是可靠的，我们的自适应算法导致可靠的推理与用户规格很少。
2019-05-16 stat.CO
An efficient adaptive MCMC algorithm for Pseudo-Bayesian quantum tomography
针对伪贝叶斯量子层析中高维采样导致计算困难的问题，提出一种高效自适应MCMC采样方法，模拟显示其速度较先前实现至少提升两个数量级。
2023-09-14 stat.AP stat.CO
Some discussions of D. Fearnhead and D. Prangle's Read Paper "Constructing summary statistics for approximate Bayesian computation: semi-automatic approximate Bayesian computation"
这份报告是对Fearnhead和Prangle（2011）阅读论文的评论的集合，将出现在皇家统计学会B系列期刊上，以及作者的回复。
2012-01-05 stat.CO stat.ME
Overview of Approximate Bayesian Computation
本章，“近似贝叶斯计算概述”，将作为即将出版的近似贝叶斯计算手册（2018）的第一章出现。它详细介绍了ABC方法背后的主要思想和概念，并附有许多示例和插图。
2018-02-27 stat.CO stat.ME stat.ML
Modelling extremes using approximate Bayesian Computation
根据其构造的性质，许多极值的统计模型导致计算上禁止评估的似然函数。因此，这对于基于似然性的推理来说是有问题的。以贝叶斯框架为重点，本章探讨了使用近似贝叶斯计算（ABC）技术来拟合和分析极端情况的统计模型。在介绍了ABC算法和方法背后的思想之后，我们展示了它们在体视学和空间极值中的极值模型的应用。
2014-11-05 stat.CO stat.ME
Approximate Bayesian Computation with Path Signatures
仿真模型往往缺乏易处理的似然函数，使得无似然推理方法不可或缺。近似贝叶斯计算通过比较模拟和观察数据通过一些距离测量产生无似然后验样本，但现有的方法往往不适合时间序列模拟器，例如，由于一个独立和相同分布的数据假设。在本文中，我们建议使用路径签名近似贝叶斯计算来处理时间序列的连续性。我们提供了理论上的保证所产生的后验和竞争贝叶斯参数推断模拟器生成单变量，多变量，不规则间隔，甚至非欧几里德序列。
2023-02-01 stat.CO stat.ME stat.ML
Sequential Monte Carlo with Adaptive Weights for Approximate Bayesian Computation
近似贝叶斯计算（ABC）方法越来越多地用于复杂模型的分析。ABC的一个主要挑战是克服基于先验预测抽样的接受/拒绝方法中通常固有的高拒绝率问题。一些最近的发展旨在解决这个问题的扩展的基础上序贯蒙特卡罗（SMC）的战略。我们在此基础上，介绍了一种ABC SMC方法，该方法使用基于数据的自适应权重。这种易于实现和计算平凡的ABC SMC扩展可以大大提高接受率，如一系列模拟和真实数据集的例子所示，包括当前系统生物学应用中动态建模的热门例子。
2015-03-26 math.ST stat.CO stat.TH
On an adaptive preconditioned Crank-Nicolson MCMC algorithm for infinite dimensional Bayesian inferences
Shanghai Jiao Tong University（上海交通大学）
本文提出一种适应性预条件Crank-Nicolson MCMC算法，通过调整提议分布的协方差算子提升效率，并证明其满足遍历性条件。
2016-04-01 cs.NA math.NA stat.CO
An adaptive independence sampler MCMC algorithm for infinite dimensional Bayesian inferences
Shanghai Jiao Tong University（上海交通大学）
本文提出一种自适应独立采样MCMC算法，用于处理无限维贝叶斯推断问题，通过混合有限个特殊参数化的高斯测度作为建议分布，实现维度无关的高效采样，且在多模态后验分布中表现稳健。
2016-04-10 cs.NA math.NA math.ST
CATVI: Conditional and Adaptively Truncated Variational Inference for Hierarchical Bayesian Nonparametric Models
London School of Economics（伦敦政治经济学院）；JP Morgan Chase & Co.（摩根大通公司）
现有的多层贝叶斯非参数模型的变分推断方法由于均值场的设置，既不能刻画潜变量间的相关结构，又由于普遍截断，不能推断真实的后验维数。为了克服这些局限性，我们提出了条件和自适应截断变分推断方法（CATVI），通过最大化的非参数证据下限，并集成蒙特卡罗到变分推断框架。与传统方法相比，CATVI具有几个优点，包括变分后验和真后验之间的偏差较小，欠拟合或过拟合的风险降低，以及预测精度提高。在三个大型数据集上的实证研究表明，CATVI应用于贝叶斯非参数主题模型大大优于竞争模型，提供更低的困惑和更清晰的主题词聚类。
2022-04-05 cs.LG stat.ML
Rate-Informed Discovery via Bayesian Adaptive Multifidelity Sampling
Waymo, LLC（Waymo有限责任公司）
针对自动驾驶车辆安全性需准确估计性能与高效发现故障案例的问题，本文提出贝叶斯自适应多保真采样（BAMS），其优先探索低性能区域，发现的问题数量是MC和IS的10倍，速率估计方差分别窄15倍和6倍。
2024-11-26 cs.LG cs.RO stat.ML
Testing model specification in approximate Bayesian computation
我们提出了一个程序来诊断模型的误指定的情况下，推理是使用近似贝叶斯计算。我们从理论上和经验上证明，这个过程可以始终如一地检测到模型误指定的存在。我们的例子表明，这种方法提供了良好的有限样本的性能，是计算量小于现有的方法，所有这些都需要重新运行的推理算法。实证应用建模汇率日志回报使用g和k分布完成的文件。
2022-10-23 stat.ME
Evaluation of mineralogy per geological layers by Approximate Bayesian Computation
提出了一种基于贝叶斯线性回归模型的矿物学反演方法。我们的方法基本上依赖于三个步骤。第一步利用近似贝叶斯计算（ABC），并从贝叶斯生成器中选择一组与井筒数据响应密切对应的候选体积。第二步通过基于密度的聚类算法收集这些候选项。通过直接矿物学反演将矿物情景分配给每个聚类，并且我们为每个岩性假设提供置信度估计。这种方法的优点是探索所有可能的矿物学假设，匹配的井筒数据。该管道在合成和真实数据集上进行了测试。
2019-05-28 physics.geo-ph stat.AP
Multilevel Monte Carlo in Approximate Bayesian Computation
在下面的文章中，我们考虑近似贝叶斯计算（ABC）推理。我们介绍了一种使用多级蒙特卡罗（MLMC）的ABC后验的数值逼近方法。一个序贯蒙特卡罗版本的方法开发，它是在一定的假设下，对于一个给定的水平的均方误差，这种方法的ABC具有较低的成本比i.i.d.从最精确的ABC近似中采样。给出了几个数值例子。
2017-02-13 stat.ME
Simple trees in complex forests: Growing Take The Best by Approximate Bayesian Computation
启发式策略如何从较小的构建模块中产生？我们提出近似贝叶斯计算作为这个问题的计算解决方案。作为概念的第一个证明，我们演示了如何从较小的概率更新的构建块中学习启发式决策策略，如采取最佳策略（TTB）。基于一个自我强化的抽样方案，不同的积木组合，随着时间的推移，树状非补偿性的进化出现。这种新的算法，创造近似贝叶斯计算取最好的（ABC-TTB），能够恢复由TTB生成的数据集，导致有关线索重要性和线索方向的合理推断，可以优于传统的TTB，并允许权衡性能和计算工作明确。
2016-05-14 stat.AP
Adaptive MC^3 and Gibbs algorithms for Bayesian Model Averaging in Linear Regression Models
MC $^3$（Madigan and York，1995）和Gibbs（George and McCulloch，1997）采样器是线性回归模型中贝叶斯模型平均（BMA）最广泛实现的算法。这些采样器在每次迭代中使用统一的选择概率随机抽取一个变量，然后建议更新该变量。如果变量的数量很大并且许多变量是冗余的，则这在计算上可能是低效的。在这项工作中，我们引入自适应版本的这些采样器，保持其简单的实施，并减少了许多冗余变量的选择概率。在真实和模拟数据集的自适应采样器的效率的改进说明。
2013-06-25 stat.CO
A Locally Adaptive Bayesian Cubature Method
贝叶斯求积（BC）是关于昂贵被积函数求积的流行推理观点，其中被积函数使用随机过程模型来仿真。已经提出了几种方法来编码顺序适应（即依赖于以前的被积函数评价）到这个框架。然而，这些建议已被限制到估计一个平稳的协方差模型的参数或集中计算资源的区域，其中大的值是由被积函数。相比之下，许多经典的自适应体积方法将计算资源集中在局部误差估计最大的空间区域上。这项工作的贡献是三方面的：首先，我们提出了一个理论结果，表明不存在一个直接的贝叶斯模拟的经典自适应梯形法。然后，我们提出了一种新的BC方法，具有经验上类似的行为的自适应梯形方法。最后，我们提出的证据表明，新的方法提供了改进的容积性能，相对于标准BC，在一个详细的实证评估。
2019-10-07 stat.CO
Implementing Approximate Bayesian Inference using Adaptive Quadrature: the aghq Package
介绍了用自适应求积实现近似贝叶斯推断的aghq软件包。该方法和软件进行了描述，并说明了在几个具有挑战性的低维和高维模型的近似贝叶斯推断包的使用。例子包括传染病模型;用于估计银河系质量的天体统计模型;基于非高斯模型的地质统计学中的两个例子，包括一个包含零膨胀的例子，这是不容易使用其他方法拟合的;零膨胀，过度分散计数数据的模型。aghq软件包与用于自动微分和拉普拉斯近似的流行的TMB接口特别兼容，并且该软件的现有用户可以使用非常少的附加代码使用aghq进行近似贝叶斯推断。aghq包可以从CRAN获得，本文中所有示例的完整代码可以在https://github.com/awstringer1/aghq-software-paper-code上找到。
2021-06-21 stat.CO
Adaptive random neighbourhood informed Markov chain Monte Carlo for high-dimensional Bayesian variable Selection
我们介绍了一个有效的马尔可夫链蒙特卡罗（MCMC）算法的框架，目标是离散值的高维分布，如后验分布贝叶斯变量选择（BVS）问题。我们表明，许多最近推出的算法，如本地知情的采样器和自适应缩放的个人适应采样器（ASI），可以被视为框架内的特殊情况。然后，我们描述了一种新的算法，自适应随机邻域知情采样器（ARNI），从这两个现有的方法相结合的想法。我们使用几个例子的真实和模拟的数据集，计算效率高的逐点实现（PARNI）导致相对更可靠的推论的变量选择问题的范围内，特别是在非常大的$p$设置。
2021-10-26 stat.CO
Bayesian Adaptive Lasso
提出了一种用于线性回归中变量选择和系数估计的贝叶斯自适应Lasso算法（BaLasso）. BaLasso通过对不同的系数采用不同的收缩率来适应信号电平。此外，我们提供了一个模型选择机械的BaLasso通过评估后验条件模式估计，动机的分层贝叶斯解释的套索。我们的配方还允许使用模型平均策略进行预测。我们讨论了这种新方法的其他变体，并提供了一个统一的框架，使用灵活的处罚变量选择。通过广泛的模拟研究和数据分析的方法的吸引力的实证证据证明。
2010-09-13 stat.CO stat.ME
Adaptive Gaussian process approximation for Bayesian inference with expensive likelihood functions
我们考虑计算密集型似然函数的贝叶斯推断问题。我们提出了一种基于高斯过程（GP）的方法来近似未知参数和数据的联合分布。特别是，我们写的联合密度近似为一个近似的后验密度和一个exponentiated GP代理的产品。然后，我们提供了一个自适应算法来构建这样的近似，其中使用主动学习方法来选择设计点。数值例子表明，该方法具有竞争力的性能对现有的贝叶斯计算方法。
2018-03-14 stat.CO stat.ML
A Metropolized adaptive subspace algorithm for high-dimensional Bayesian variable selection
提出了一种简单有效的自适应马尔可夫链蒙特卡罗（MCMC）方法--Metropolized Adaptive Subspace（MAdaSub）算法，用于贝叶斯变量选择中的高维后验模型分布采样. MAdaSub算法基于独立的Metropolis-Hastings采样器，其中解释变量的个体建议概率在每次迭代后使用贝叶斯自适应学习的形式进行更新，以最终收敛到各自协变量的后验包含概率的方式。我们证明了算法的遍历性，并提出了一个并行版本的MAdaSub的适应计划的建议概率的基础上，从多个链的信息组合。该算法的有效性通过各种模拟和真实数据的例子，包括一个高维问题，超过20,000协变量证明。
2022-07-07 stat.CO stat.ME
A fast, flexible simulation framework for Bayesian adaptive designs -- the R package BATSS
MRC Biostatistics Unit, University of Cambridge（剑桥大学医学研究委员会生物统计学单位）；School of Public Health and Preventive Medicine, Monash University（莫纳什大学公共卫生与预防医学院）；Faculty of Informatics and Data Science, University of Regensburg（雷根斯堡大学信息科学与数据科学学院）
本文提出R包BATSS，用于快速模拟贝叶斯自适应设计，支持多种主要结果类型及常见自适应机制，提供灵活的模块化结构。
2026-07-01 stat.CO stat.ME
Bayesian Optimization for Adaptive MCMC
提出了一种新的基于贝叶斯优化的自适应MCMC随机化策略。这种方法适用于不可微的目标函数，并权衡探索和开发，以减少潜在的昂贵的目标函数评估的数量。我们证明了战略在复杂的设置采样约束，离散和密集连接的概率图形模型，对于每个变化的问题，需要自动调整的建议机制的参数，以确保有效的混合的马尔可夫链。
2011-10-29 stat.CO stat.ML
Modeling Complex Life Systems: Bayesian Inference for Weibull Failure Times Using Adaptive MCMC
本研究针对威布尔失效时间分析的先验选择难题，提出结合分层贝叶斯模型与NUTS的自适应半参数MCMC算法，通过模拟确定最优先验，可处理不同失效率场景，在前列腺癌剩余寿命预测中具实用价值，推动了复杂生命系统贝叶斯建模方法发展。
2025-06-13 stat.CO stat.ME
Convergence Guarantees for Adaptive Bayesian Quadrature Methods
EURECOM（欧洲电信学院）；University of Tübingen（图宾根大学）；Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）
自适应贝叶斯求积（ABQ）是一种强大的数值积分方法，在中等维度（非自适应求积不具有竞争力）的问题上，它与蒙特卡罗积分相比具有优势。它的关键成分是一个获取函数，该函数作为先前收集的被积函数值的函数而变化。虽然这种适应性在经验上似乎很强大，但它使分析复杂化。因此，到目前为止，这类方法还没有理论上的保证。在这项工作中，对于广泛的自适应贝叶斯求积方法，我们证明了一致性，推导出非紧但信息量大的收敛速度。为了做到这一点，我们引入了一个新的概念，我们称之为弱适应性。我们的研究结果确定了一个大的和灵活的自适应贝叶斯求积规则一致，从业者可以开发经验有效的方法。
2019-10-28 cs.LG cs.NA math.NA
A Bayesian adaptive ensemble Kalman filter for sequential state and parameter estimation
本文提出了一种新的集合卡尔曼滤波器的序列状态和参数估计方法。该方法是完全贝叶斯和传播的联合后验密度的状态和参数随着时间的推移。为了实现该方法，我们考虑两种表示的边缘后验分布的参数：基于网格的方法和高斯近似。与现有的算法相反，新方法明确地考虑了参数的不确定性，并提供了一种正式的方法来结合不同时间段数据中的参数信息。该方法的说明和现有的方法相比，使用模拟和真实的数据。
2016-11-11 stat.CO stat.ME
Adaptive approximate Bayesian computation for complex models
近似贝叶斯计算（ABC）是贝叶斯统计中的一系列计算技术。这些技术允许将模型拟合到数据，而不依赖于模型可能性的计算。相反，他们需要模拟大量的时间来拟合模型。对原始的基于拒绝的ABC方案提出了许多改进，包括后验分布的顺序改进。该技术允许减少所需的模型模拟的数量，但它仍然存在几个缺点，这些缺点对于模拟复杂模型的成本来说是特别成问题的。在这里，我们提供了一个新的算法来执行自适应近似贝叶斯计算，这是一个玩具的例子和一个复杂的社会模型，表现得更好。
2015-05-07 math.ST stat.CO stat.TH
Optimizing Interim Analysis Timing for Bayesian Adaptive Commensurate Designs
在开发罕见病产品时，由于可参与药物试验和其他临床研究的患者数量有限，因此会出现统计挑战。贝叶斯适应性临床试验设计通过纳入外部来源的证据（历史数据、专家意见和真实世界证据）以及中期外观规范的灵活性，提供了提高统计效率、降低开发成本和预防伦理风险的可能性。在本文中，我们提出了一种新的贝叶斯自适应相称设计，自适应地借用历史信息，并使用一个特定的支付函数来优化研究的中期分析的时间。试验收益是通过提前停止可以节省多少样本以及对无效或有效做出正确早期决策的概率的函数。我们校准我们的贝叶斯算法具有可接受的长期运行的频率属性（第一类错误和电源），通过模拟在设计阶段。我们使用儿科试验设计环境来说明我们的方法，该试验设计环境测试新药对罕见遗传疾病的影响。optimIA R包可在https://github.com/wxwx1993/Bayesian_IA_Timing上获得，它提供了我们方法的易于使用的实现。
2019-09-18 stat.AP stat.CO stat.ME
A review of Approximate Bayesian Computation methods via density estimation: inference for simulator-models
本文通过密度估计的视角，综述了进行贝叶斯后验推理的近似贝叶斯计算（ABC）方法。我们描述了几个最近的算法，并与传统的方法。我们展示了基于参数化方法的模型的优点和局限性，然后我们提请注意机器学习的发展，我们认为这有可能使ABC可扩展到更高的维度，并可能是未来的研究方向在这一领域。
2019-09-06 stat.CO stat.ME
Bayesian Survival Analysis Using Gamma Processes with Adaptive Time Partition
在事件发生时间数据的贝叶斯半参数分析中，对于时间轴的给定有限分区，基线风险函数或累积基线风险函数采用非参数过程先验。然而，提出一个一般性的指导方针来构建最佳的时间划分将是有争议的。虽然已经做了大量的研究来放松其他非参数过程的固定分裂时间的假设，据我们所知，还没有方法已经开发的伽玛过程之前，这是最广泛使用的贝叶斯生存分析。在本文中，我们提出了一个新的贝叶斯框架比例风险模型的累积基线风险函数的伽玛过程建模先验。所提出的框架的一个关键特征是，区间截断点的数量和位置被视为随机的，并根据其后验分布进行估计。
2020-08-05 stat.CO stat.ME
Approximate Bayesian Computing for Spatial Extremes
用于模拟空间极值的最大稳定过程的统计分析受到计算联合似然函数的困难的限制。这排除了所有标准的基于可能性的方法，包括贝叶斯方法。在本文中，我们提出了一个贝叶斯方法，通过使用近似贝叶斯计算。这避免了联合似然函数的需要，而是依赖于来自（不可用的）似然的模拟。该方法与基于复合似然的另一种方法进行了比较。我们表明，近似贝叶斯计算可以导致较低的均方误差比复合似然方法估计的极端空间依赖性时，虽然在一个明显更高的计算成本。我们还说明了该方法的性能与应用程序，美国的温度数据估计作物损失的风险，由于不太可能冻结事件。
2011-12-13 stat.CO stat.ME
Efficient Multifidelity Likelihood-Free Bayesian Inference with Adaptive Computational Resource Allocation
无似然贝叶斯推断算法是用于校准复杂随机模型的参数的流行方法，当观察数据的似然性难以处理时需要。这些算法的特点是严重依赖于重复的模型模拟。然而，每当模拟的计算成本甚至是适度昂贵的，显着的负担所产生的似然自由算法离开他们在许多实际应用中是不可行的。已经引入了多保真度方法（最初是在近似贝叶斯计算的上下文中），通过使用模拟计算上便宜的近似模型代替感兴趣的模型所提供的信息，来减少无可能性推理的模拟负担，而不损失准确性。这项工作的第一个贡献是证明多保真度技术可以应用于一般的似然自由贝叶斯推断设置。在不同的保真度水平的模拟计算资源的最佳分配的分析结果，并随后实际实施。我们提供了一个自适应的多保真度似然自由推理算法，学习模型之间的关系，在不同的精度，并相应地适应资源分配，并证明该算法产生后验估计与接近最佳的效率。
2021-12-22 q-bio.QM stat.CO
Approximate Bayesian Computation via Regression Density Estimation
近似贝叶斯计算（ABC）方法，适用于当可能性是困难的或不可能的计算，是当前研究的一个活跃的话题。大多数当前的ABC算法直接近似的后验分布，但替代的，不太常见的策略是近似的似然函数。这有几个优点。首先，在某些问题中，近似似然比近似后验更容易。第二，近似的可能性允许参考分析仅基于可能性构建。第三，一旦构建了可能性的近似值，就可以直接对几种不同的先验选择进行敏感性分析，这只需要进行一次。本文的贡献是考虑回归密度估计技术近似的可能性在ABC设置。我们的似然逼近建立在最近开发的边缘自适应密度估计器的基础上，将其扩展到条件密度估计。我们的方法有利于参考贝叶斯推断，以及频率论的推理。该方法是通过一个具有挑战性的问题，推理体视学的极端，在那里我们进行频率和贝叶斯推断。
2012-12-06 stat.CO stat.ME
Approximate Bayesian inference in semiparametric copula models
我们描述了一个简单的方法进行推断的功能的多元分布。该方法是基于Copula表示的多变量分布，它是基于近似贝叶斯蒙特卡罗算法，其中建议的值的功能的利益加权的经验似然的属性。当与工作模型相关联的“真”似然函数太昂贵而无法评估时，或者当工作模型仅部分指定时，该方法特别有用。
2017-07-16 stat.CO stat.ME
Robust Surrogate-Based Bayesian Inference via Sampling-Based Adaptive Active Learning (SALE)
University of Toronto（多伦多大学）
针对似然评估成本高、预算有限的场景，提出基于采样的自适应主动学习（SALE）的高斯过程框架，通过序贯设计准则分配评估，在多类基准和实例中降低总变差误差，表现优于多个基线。
2026-08-04 stat.CO stat.ME
Deep Adaptive Design: Amortizing Sequential Bayesian Experimental Design
University of Oxford（牛津大学）
我们介绍了深度自适应设计（DAD），一种用于摊销自适应贝叶斯试验设计成本的方法，该方法允许实时运行实验。传统的序贯贝叶斯最优试验设计方法需要在试验的每个阶段进行大量的计算。这使得它们不适合大多数现实世界的应用程序，其中通常必须快速做出决策。DAD通过预先学习摊销设计网络来解决这个限制，然后使用它在部署时快速运行（多个）自适应实验。该网络表示一种设计策略，该策略将先前步骤的数据作为输入，并使用单个前向传递输出下一个设计;这些设计决策可以在实时实验期间以毫秒为单位做出。为了训练网络，我们引入了对比信息界，这是合适的目标顺序设置，并提出了一个定制的网络架构，利用关键的对称性。我们证明了DAD成功地摊销了试验设计的过程，在许多问题上优于其他策略。
2021-06-11 cs.AI cs.LG stat.CO
Bayesian Transfer Learning for High-Dimensional Linear Regression via Adaptive Shrinkage
University of California, Los Angeles（加州大学洛杉矶分校）
BLAST通过自适应收缩先验和贝叶斯源选择，提升高维线性回归的后验推断精度与不确定性量化。
2026-03-06 stat.AP stat.CO stat.ME
Model Selection and Adaptive Markov chain Monte Carlo for Bayesian Cointegrated VAR model
提出了一种基于矩阵变量自适应马尔可夫链蒙特卡罗（MCMC）的贝叶斯协整向量自回归（CVAR）方法。我们取代流行的方法来采样贝叶斯CVAR模型，涉及griddy吉布斯，与自动化的有效的替代方案，基于自适应大都会算法的罗伯茨和罗森塔尔，（2009年）。开发贝叶斯CVAR模型的自适应MCMC框架允许有效估计后验参数显着高维CVAR系列比以前可能与现有的网格吉布斯采样器。对于n维CVAR序列，矩阵变量后验在维度$3n^2 + n$中，矩阵随机变量块之间存在显著相关性。我们还把CVAR模型的秩作为一个随机变量，并进行联合推断的秩和模型参数。这是通过在秩和CVAR模型参数上定义的贝叶斯后验分布来实现的，并且通过秩的贝叶斯因子分析进行推断。实际上，自适应采样器还有助于算法交易系统的自动贝叶斯协整模型的开发，该系统考虑由几种资产组成的工具，例如货币篮子。以前的文献的金融应用的CVAR交易模型通常只考虑配对交易（n=2）由于计算成本的网格吉布斯。我们能够在我们的自适应框架下扩展到$n >> 2$，并演示了一个n = 10的例子，导致后验分布的参数高达310维。通过将排名视为随机量，我们可以确保我们的交易模型能够在连贯的统计框架中适应可能随时间变化的市场条件。
2010-04-22 q-fin.CP q-fin.PM q-fin.ST
