Low Volatility Stock Portfolio Through High Dimensional Bayesian Cointegration
本研究提出一种高维贝叶斯协整建模框架，可从大量股票中识别稀疏重要的协整关系以构建低波动率投资组合，该组合在样本外表现稳定，可作为有效的风险管理工具。
2024-07-14 econ.EM q-fin.PM q-fin.ST
A Multivariate Graphical Stochastic Volatility Model
高斯图形模型（GGM）是一种流行的工具，用于将稀疏性纳入联合多元分布。G-Wishart分布是满足一般GGM约束的精度矩阵的共轭先验，已经存在了十多年。然而，由于缺乏一个直接采样器，它的使用已被限制在分层贝叶斯上下文中，降级的混合GGM类主要涉及标准高斯似然的情况。然而，最近的工作，已经开发出的方法，耦合模型和参数的移动，首先通过可逆的跳跃方法，后来直接评估条件贝叶斯因子和随后的rescue。此外，已经提出了避免先前归一化常数计算的方法-这是一个严重的瓶颈和数值不稳定性的来源。我们回顾和澄清这些发展，然后提出一个新的方法GGM比较，融合了许多最近的主题。理论发展和计算时序实验揭示了一种算法，具有有限的计算需求，并显着提高了现有方法的计算时间。最后，我们开发了一个简约的多元随机波动模型，嵌入GGM的不确定性在一个更大的层次框架。该方法被证明是能够适应极端波动的市场波动在2008年经历了雷曼兄弟公司倒闭后，提供了相当大的改善后验预测分布校准。
2012-05-12 stat.CO
Bayesian forecasting and scalable multivariate volatility analysis using simultaneous graphical dynamic models
最近推出的一类同步图形动态线性模型（SGDLM）定义了一种能力，规模在线贝叶斯分析和预测更高的维度时间序列。本文提出了SGDLM的方法，开发和嵌入一种新的，自适应的方法，同时预测器选择在线学习和预测的前向滤波。这些进展包括贝叶斯计算的可扩展性的发展，并在探索由此产生的潜力，改善短期预测的大规模波动矩阵的案例研究。一个案例研究涉及财务预测和投资组合优化与400维系列的每日股票价格。分析表明，SGDLM能够很好地预测波动率和共同波动率，使其非常适合为量化投资策略做出贡献，以提高投资组合回报。我们还确定了与序贯贝叶斯过滤分析相关的绩效指标，这些指标定义了金融市场压力增加的领先指标，与标准的圣路易斯联邦储备银行金融压力指数（STLFSI）指标相当，但领先。使用GPU实现的并行计算大大提高了拟合和使用这些模型的能力。
2016-06-27 stat.AP stat.ME
Approaches Toward the Bayesian Estimation of the Stochastic Volatility Model with Leverage
在随机波动率（SV）模型的贝叶斯推断中，MCMC方法的抽样效率高度依赖于实际参数值，不同参数化的采样器的采样效率差异很大.我们推导出新的算法的中心和非中心的参数化的实际高度相关的SV模型的杠杆，其中的回报过程和创新的波动过程是允许相关的。此外，基于辅助充分交织（ASIS）的思想，我们结合所产生的采样器，以保证稳定的抽样效率，无论基线parameterization.We进行了广泛的比较，已经存在的采样方法，这个模型使用模拟以及真实世界的数据。
2019-11-28 econ.EM q-fin.ST stat.CO
Sequential Bayesian Learning for Merton's Jump Model with Stochastic Volatility
跳随机波动率模型是金融计量经济学中波动率预测、投资组合风险管理和衍生品定价的核心。马尔可夫链蒙特卡罗（MCMC）算法对于波动状态变量和参数的顺序学习在计算上是不可行的，由此投资者必须在新信息到达时更新所有后验和预测密度。本文提出了一种粒子滤波和学习算法来对Merton跳跃随机波动率的后验分布进行采样。这允许过滤现货波动率和跳跃时间，以及跳跃和波动率参数的顺序更新（学习）。我们说明了我们的方法对谷歌的股票回报。我们的结论与未来的研究方向。
2016-10-31 stat.AP
Large Bayesian VARs with Factor Stochastic Volatility: Identification, Order Invariance and Structural Analysis
具有多元随机波动率的向量自回归（VAR）被广泛用于结构分析。通常，结构模型是通过经济上有意义的限制来确定的，例如，符号限制，应该与因变量的排序无关。但由于简化形式的模型不是阶不变的，结构分析的结果取决于变量的阶数。我们考虑一个VAR的基础上的因素随机波动率，构造为顺序不变的。我们表明，存在的多元随机波动允许统计识别的模型。我们进一步证明了，与一组适当的符号限制，相应的结构模型是点识别。所提出的方法的另一个吸引力是，它可以很容易地处理大量的因变量以及符号限制。我们通过一个结构性分析来证明这种方法，在这个分析中，我们使用一个带有符号限制的20个变量的VAR来识别5个结构性冲击。
2022-07-08 econ.EM stat.ME
Multivariate Modeling of Natural Gas Spot Trading Hubs Incorporating Futures Market Realized Volatility
液化天然气（LNG）的金融市场是大宗商品市场中一个重要且快速增长的部分。与其他大宗商品市场一样，液化天然气市场也存在固有的空间结构，不同的交付中心点具有不同的价格动态。某些枢纽支持高流动性的市场，允许有效和稳健的价格发现，而其他枢纽则高度缺乏流动性，限制了标准风险管理技术的有效性。我们提出了一个联合建模策略，它使用高频率的信息，从密集的交易枢纽，以改善波动率估计和风险管理在稀疏的交易枢纽。由此产生的模型具有优异的样本内和样本外预测性能，特别是对于几个常用的风险管理指标，表明联合建模确实是可能的和有用的。为了提高估计，贝叶斯估计策略和数据驱动的弱信息先验建议。我们的模型对稀疏数据具有鲁棒性，可以有效地用于任何具有类似不规则数据可用性模式的市场。
2019-07-23 q-fin.RM stat.AP
Nonparametric Bayesian volatility estimation for gamma-driven stochastic differential equations
针对伽马过程驱动的随机微分方程，提出一种基于分段常数先验和伽马先验的非参数贝叶斯波动率估计方法，通过MCMC进行后验推断，并给出收缩率理论保证及实验验证。
2021-08-26 math.ST stat.ME stat.TH
Large Order-Invariant Bayesian VARs with Stochastic Volatility
由于对误差协方差矩阵使用了Cholesky分解，许多流行的具有多变量随机波动率的向量自回归（VAR）的规范对变量的排序方式并不不变。我们表明，现有方法中的顺序不变性问题可能会变得更加严重，在大型VAR。我们建议使用的规范，避免使用这种Cholesky分解。我们表明，多元随机波动的存在允许识别所提出的模型，并证明它是不变的顺序。我们开发了一个马尔可夫链蒙特卡罗算法，它允许贝叶斯估计和预测。在涉及人工和真实宏观经济数据的练习中，我们证明了变量排序的选择对实证结果有不可忽视的影响。在一个宏观经济预测练习涉及VAR与20个变量，我们发现，我们的顺序不变的方法导致最好的预测和变量排序的一些选择可能会导致使用传统的，非顺序不变的方法预测不佳。
2021-11-14 econ.EM stat.ME
A Bayesian Semiparametric Gaussian Copula Approach to a Multivariate Normality Test
在本文中，贝叶斯半参数Copula方法被用来模拟潜在的多元分布$F_{true}$。首先，在$F_{true}$的未知边缘分布上构造Dirichlet过程。然后利用高斯copula模型来捕捉$F_{true}$的依赖结构。最后，结合相对置信比和能量距离建立了贝叶斯多元正态性检验。几个有趣的理论结果的方法。最后，通过几个模拟的例子和一个真实的数据集，所提出的方法显示出良好的性能。
2019-07-04 stat.AP stat.CO stat.ME
Bayesian Dynamic Modeling of Realized Volatility in Financial Asset Price Forecasting
Duke University（杜克大学）
本文提出了一种新的贝叶斯动态模型，用于金融预测中的价格-实现波动率时间序列。通过将新的动态伽马过程模型与传统贝叶斯动态线性模型结合，改进了波动率杠杆和反馈效应的建模。
2026-05-12 q-fin.ST stat.ME
Bayesian modeling and forecasting of 24-hour high-frequency volatility: A case study of the financial crisis
本文估计模型的高频指数期货回报率使用“全天候”5分钟的回报，包括以下主要特征：多个持续的随机波动性因素，跳跃的价格和波动，季节性成分捕捉时间的一天的模式，回报和波动冲击之间的相关性，和公告效应。我们开发了一个综合的MCMC方法来估计日间和日内的参数和状态，使用高频数据，而不诉诸各种聚合措施，如已实现的波动。我们提供了一个案例研究，使用金融危机的数据从2007年到2009年，并使用粒子滤波器构建似然函数的模型比较和样本外预测从2009年到2012年。我们表明，我们的方法提高了已实现的波动率预测高达50%，超过现有的基准。
2014-01-22 stat.AP
Bayesian SAR model with stochastic volatility and multiple time-varying weights
本文提出一种融合多层网络与随机波动率的贝叶斯空间自回归面板模型，用于分析G7经济体间时变关系对股市收益和波动率的溢出效应，揭示了合作互动的重要影响及各国网络暴露差异。
2023-10-26 econ.EM stat.AP
Bayesian Uncertainty Quantification of Local Volatility Model
局部波动率是期权定价、投资组合套期保值和风险管理中的一个重要量。它不能直接从市场上观察到，因此需要使用可观察到的市场数据来校准本地波动模型。与大多数现有的点估计方法不同，我们将大规模非线性逆问题转换为贝叶斯框架，得到局部波动率的后验分布，从而自然地量化其不确定性。这些额外的不确定性信息使交易员和风险管理人员能够做出更好的决策。为了减轻计算成本，我们应用Karhunen-Lücieve展开来降低局部波动率之前的高斯过程的维数。采用一种改进的两阶段自适应Metropolis算法对后验概率分布进行采样，进一步减少了数值型远期期权定价模型求解器的重复性和启发式调整时间带来的计算负担.我们用合成数据和市场数据来证明我们的方法。
2022-05-17 cs.NA math.NA stat.AP
Bayesian Analysis of Stochastic Volatility Model using Finite Gaussian Mixtures with Unknown Number of Components
金融研究需要基于波动率的模型，这些模型提供了与投资相关的风险的有用见解。随机波动率模型是此类研究中最流行的波动率建模方法之一。所研究的资产收益可能来自多个集群，这些集群在假设标准分布的情况下无法很好地捕捉。混合分布在这种情况下更合适。在这项工作中，一个算法证明，这是能够研究有限的混合物，但未知数量的组件。该算法使用一个死亡过程来调整混合分布中的分量数，并相应地分配权重。这种混合分布规格，然后用于资产收益率和半参数随机波动率模型拟合在贝叶斯框架。研究了高斯混合的一种特殊情况。采用适当的先验规范，吉布斯抽样方法被用来生成后验链和评估模型的收敛性。印度国家银行的股票收益率数据的案例研究被用来说明的方法。
2021-10-25 stat.ME
Nonparametric Bayesian volatility estimation
在给定固定时间间隔上的离散时间观测值的情况下，研究了随机微分方程波动系数的非参数贝叶斯估计方法。我们假设一个直方图型的波动率与分段常数实现箱形成一个分区的时间间隔。箱上的值被分配逆伽马马尔可夫链（IGMC）先验。后验推断是直接通过吉布斯抽样实现的，因为完整的条件分布是显式可用的，并且是逆伽马。我们还详细讨论了我们的方法的超参数的选择。我们的非参数贝叶斯方法导致良好的实际效果，在代表性的模拟例子。最后，我们将其应用于变点分析中的一个经典数据集：道琼斯工业平均指数的周收盘价。
2019-03-29 math.ST q-fin.ST stat.ME
Bayesian Approach for Parameter Estimation of Continuous-Time Stochastic Volatility Models using Fourier Transform Methods
我们提出了一个两阶段的过程中相当普遍的，连续时间的随机波动率的参数估计。所提出的方法的一个重要组成部分是Cuchiero-Teichmann波动估计，这是基于傅里叶变换，并提供了一个连续的时间估计的潜在过程。然后，该估计用于构造感兴趣的参数的近似似然，其限制通过先验分布考虑。该程序被证明是非常成功的构造后验分布的参数的赫斯顿模型，而有限的成功时，实现了高度参数化的指数-奥恩斯坦-乌伦贝克。
2018-12-10 math.ST stat.ME stat.TH
Analyzing Commodity Futures Using Factor State-Space Models with Wishart Stochastic Volatility
本文提出了一种考虑随机波动率的因子状态空间方法来建模和预测商品期货合约的期限结构。我们的方法建立在动态3因子Nelson-Siegel模型及其4因子Svensson扩展的基础上，并假设潜在水平，斜率和曲率因子为高斯向量自回归，具有多变量Wishart随机波动过程。利用Wishart分布和高斯分布的共轭性，我们提出了一种计算速度快且易于实现的MCMC算法用于贝叶斯后验分析。一个经验应用到每日价格的原油合同规定的交货日期范围从1到24个月的未来表明，估计的4因素Svensson模型与两个曲率因子提供了一个很好的简约表示的序列相关性的个人价格和他们的波动性。结果表明，该模型具有良好的样本外预测性能。
2019-08-21 econ.EM stat.CO stat.ME
Nonparametric Bayesian volatility learning under microstructure noise
本文提出一种非参数贝叶斯方法，在微观结构噪声下学习随机微分方程的扩散系数，采用分段常数先验与逆Gamma马尔可夫链，结合前向滤波后向模拟的吉布斯采样，在合成数据与EUR/USD汇率数据上验证了有效性。
2024-03-17 q-fin.ST stat.ME stat.ML
Objective Bayesian analysis for the multivariate skew-t model
我们进行贝叶斯分析的p变量偏t模型，提供了一个新的参数化，一组非信息先验和专门设计的采样器，以探索模型参数的后验密度。扩展，如带有偏斜误差的多元回归模型和随机前沿模型，很容易适应。本文中引入的新颖性是通过将Liseo & Parisi（2013）中给出的二元偏态正态模型扩展到更现实的p-变量偏态t模型来给出的。我们还介绍了R包mvst，它允许估计多变量skew-t模型。
2017-05-03 stat.CO stat.ME
Bayesian Inference for Multivariate Spatial Models with R-INLA
用于空间数据分析的贝叶斯方法和软件现在在科学界已普遍成熟。尽管空间模型应用广泛，但在现有文献中，使用R-INLA分析多变量空间数据并没有被广泛描述。因此，本文的主要目的是证明R-INLA是一个方便的工具箱，分析不同类型的多元空间数据集。此外，这将通过分析三个公开的数据集来说明。此外，这些分析的细节和R代码提供给说明如何调整多变量空间数据集与R-INLA。
2022-12-21 stat.CO stat.ME
Bayesian Multivariate Density-Density Regression
本文提出一种基于切片Wasserstein距离和广义贝叶斯框架的可扩展多元密度-密度回归方法，利用MALA进行后验推断，并证明了后验一致性，在模拟和单细胞数据上展现出优于传统方法的预测性能。
2025-09-22 stat.AP stat.CO stat.ME
Bayesian Inference on Volatility in the Presence of Infinite Jump Activity and Microstructure Noise
基于高频数据的波动率估计是准确计量和控制金融资产风险的关键。具有无限跳跃活动和微观结构噪声的Lévy过程被认为是高频金融数据的最简单但足够准确的模型之一。利用这个模型，我们提出了一个“故意错误指定”后的波动率忽略跳跃组件的过程。错误指定的后验进一步校正的位置偏移和重新缩放的对数似然的简单估计。我们的主要结果建立了Bernstein-von Mises（BvM）定理，该定理指出，建议调整后的后验是渐近高斯的，以一致估计为中心，方差等于Fisher信息的倒数。在没有微观结构噪音的情况下，我们的方法可以扩展到一般伊藤半鞅的积分方差的推断。仿真结果证明了所得到的可信区间的准确性，以及基于调整后验的近似贝叶斯推理的频率论性质。
2019-09-11 econ.EM math.ST q-fin.ST
Stochastic Volatility in Mean Models with Heavy Tails: A Fast Approximate Bayesian Inference Using Hidden Markov Models
University of São Paulo, Instituto de Ciências Matemáticas e de Computação（圣保罗大学，数学与计算科学研究所）；Federal University of Rio de Janeiro, Department of Statistics（里约热内卢联邦大学，统计学系）；Pontificia Universidad Católica del Perú, Department of Economics（秘鲁天主教 Pontificia 大学，经济学系）
提出一种快速近似贝叶斯推断方法，将均值随机波动模型扩展至厚尾分布，通过特殊函数避免数值积分，并行计算大幅降低计算成本。
2026-06-23 q-fin.CP stat.CO
Semiparametric GARCH via Bayesian model averaging
由于金融市场的动态结构会发生剧烈变化，因此能够提供一致准确的波动估计的模型不得对价格如何随时间变化做出强有力的假设。大多数波动率模型采用特定的参数函数形式，将观察到的价格变化与波动率预测（新闻影响函数）联系起来。我们提出了一类新的函数系数半参数波动率模型，其中新闻影响函数允许是任何光滑函数，并研究其估计波动率的能力相比，众所周知的参数建议，在模拟研究和实证研究与真实的金融数据。我们估计的新闻影响函数使用贝叶斯模型平均的方法，通过精心开发的马尔可夫链蒙特卡罗（MCMC）采样算法实现。使用模拟，我们表明，我们灵活的半参数模型是能够学习的形状的新闻影响函数从观察到的数据。当应用到实际的金融时间序列，我们的新模型表明，新闻影响函数的形状显着不同的不同的资产类型，但相同类型的资产是相似的。
2017-08-25 q-fin.RM stat.AP stat.ME
Bayesian prediction of jumps in large panels of time series data
我们需要一个新的眼光在解开每日股票收益率的波动和跳跃过程的问题。我们首先提供了一个计算框架的单变量随机波动率模型与泊松驱动的跳跃，提供了一个有竞争力的推理替代现有的工具。这种方法，然后扩展到一个大的股票，我们假设他们的未观察到的跳跃强度共同演变的时间，通过一个动态的因子模型。为了评估所提出的建模方法，我们进行样本外预测，我们比较后验预测分布从不同的模型。我们提供的证据表明，联合建模的跳跃提高了预测能力的随机波动率模型。
2021-04-06 q-fin.ST stat.AP stat.CO
Spatial Multivariate Trees for Big Data Bayesian Regression
高分辨率地理空间数据具有挑战性，因为已知基于高斯过程的标准地统计模型无法扩展到大数据大小。虽然在更有效地计算方法方面取得了进展，但对大数据方法的关注却少得多，这些方法允许描述不同传感器以高分辨率记录的几个结果之间的复杂关系。我们的贝叶斯多变量回归模型的基础上空间多变量树（SpamTrees）实现可扩展性，通过条件独立假设潜在的随机效应以下的树有向无环图。信息论的论点和计算效率的考虑指导建设的树和相关的有效的抽样算法在不平衡的多元设置。除了模拟数据的例子，我们说明SpamTrees使用一个大型的气候数据集，结合卫星数据与陆基台站数据。源代码可在https://github.com/mkln/spamtree上获得
2020-12-02 stat.CO stat.ME
Sequential Bayesian Analysis of Multivariate Count Data
我们开发了一类新的动态多变量泊松计数模型，允许快速在线更新，我们将这些模型称为多变量泊松尺度β（MPSB）。MPSB模型允许计数中的序列依赖性以及在随机公共环境下跨多个序列的依赖性。其他显着的功能包括状态传播和预测似然密度的分析形式。通过更新静态模型参数的充分统计量来进行顺序更新，从而产生完全适应的粒子学习算法和一类新的预测似然和边缘分布，我们将其称为（动态）多变量融合超几何负二项分布（MCHG-NB）和动态多变量负二项分布（DMNB）。为了说明我们的方法，我们使用了各种模拟研究，并计算了每周非耐用品消费者需求的数据。
2016-09-15 stat.CO stat.ME
A Bayesian multivariate extreme value mixture model
School of Mathematics and Statistics, University of Glasgow（格拉斯哥大学数学与统计学院）；School of Mathematics and Statistics, University of St Andrews（圣安德鲁斯大学数学与统计学院）
本文提出一种多元极值混合模型，用于评估自然灾害的影响，结合了尾部和主体的建模方法，并通过贝叶斯推断处理阈值选择的不确定性。
2026-03-28 stat.AP stat.ME
Bayesian Joint Estimation of the Hurst Parameter and Volatility with Applications to Fractional Option Pricing
Virginia Commonwealth University（弗吉尼亚联邦大学）；Virginia Commonwealth University School of the Arts in Qatar（弗吉尼亚联邦大学卡塔尔艺术学院）
提出贝叶斯框架联合估计分数随机微分方程中的赫斯特参数和波动率，将后验不确定性传播到期权定价，通过模拟和原油数据验证了方法的稳定性和实用性。
2026-06-26 stat.AP
A Bayesian Framework for Regularized Estimation in Multivariate Models Integrating Approximate Computing Concepts
本文在贝叶斯框架下统一了多变量模型的正则化估计，连接贝叶斯推断与近似计算，提出均值收缩和正则化LDA的新算法，并通过数值实验验证。
2025-09-12 stat.ME
Bayesian Multivariate Spatial Models for Lattice Data with INLA
用于R编程语言的INLAMSM包提供了一系列用于格点数据的多变量空间模型，这些模型可与INLA包一起用于贝叶斯推断。多元空间模型包括不同的结构来模拟变量的空间变异和变量间的变异。通过这种方式，拟合多变量空间模型变得更快、更容易。使用两个不同的数据集，说明了包中所包括的不同模型的使用：著名的北卡罗莱纳州小岛屿发展中国家的数据和死亡率的三个死因在Comunidad Valenciana（西班牙）。
2020-05-06 stat.CO
A Bayesian Multivariate Functional Dynamic Linear Model
我们提出了一个贝叶斯方法建模多变量，相关的功能数据。为了解释数据中的三个主要结构特征--功能性、时间依赖性和多变量成分--我们将多变量时间序列的分层动态线性模型扩展到功能性数据设置。我们还开发了贝叶斯样条理论在一个更一般的约束优化框架。所提出的方法为函数观测确定了一个时不变的函数基础，该函数基础是平滑的和可解释的，并且可以在多变量观测中通用，以实现额外的信息共享。贝叶斯框架允许联合估计的模型参数，提供精确的推断（MCMC错误）的特定参数，并允许广义的依赖结构。从后验分布采样是用有效的吉布斯抽样算法完成的。我们用两个应用程序说明了所提出的框架：（1）来自最近全球经济衰退的多经济体收益率曲线数据，以及（2）大鼠的局部场电位脑信号，为此我们开发了一种多变量时频分析的多变量函数时间序列方法。补充材料，包括R代码和多经济体收益率曲线数据，可在线获取。
2015-08-05 stat.ME
Identification in Bayesian Estimation of the Skewness Matrix in a Multivariate Skew-Elliptical Distribution
Harvey et al.（2010）将Sahu et al.（2003）的贝叶斯估计方法扩展到具有一般偏度矩阵的多元偏椭圆分布，并将其应用于具有更高矩的贝叶斯投资组合优化。虽然他们的方法是划时代的，因为它可以处理资产收益之间的偏度依赖关系，并将更高的时刻到投资组合优化，它不能识别偏度矩阵中的所有元素，由于吉布斯采样器中的标签切换。为了处理这个识别问题，我们建议修改他们的采样算法，通过对多元斜椭圆分布的偏度矩阵施加正下三角约束和改进的可解释性。此外，我们提出了一个贝叶斯稀疏估计的偏度矩阵与马蹄之前，以进一步提高精度。在仿真研究中，我们证明了所提出的方法与识别约束可以成功地估计的真实结构的偏度依赖，而现有的方法遭受的识别问题。
2021-08-09 q-fin.PM stat.CO stat.ME
Distribution-Free Bayesian multivariate predictive inference
本文提出基于有限Polya树混合的分层贝叶斯框架进行无分布多元预测推断，并设计共形预测集算法为未来观测提供有限样本概率保证。
2024-11-26 stat.ME
Bayesian analysis of multivariate stable distributions using one-dimensional projections
本文研究一般多元稳定分布的贝叶斯推断。我们利用Matsui和Takemura（2009）的单变量投影表示，以及分布的谱测度表示。我们提出了有效的MCMC计划进行计算时，离散近似的频谱测量，或者，我们建议，由一个正态分布。引入适当的隐变量实现MCMC。在离散近似方面，我们提出了基于特征函数的高效计算方案。
2015-07-27 stat.ME
ABACUS: Unsupervised Multivariate Change Detection via Bayesian Source Separation
变化检测涉及对连续数据进行分段，使得同一段中的观测共享某些期望的属性。多变量变化检测仍然是一个具有挑战性的问题，由于各种方式的变化点可以跨通道相关和潜在的个别通道上的信噪比差。在本文中，我们感兴趣的是在无监督设置中定位加性离群值（AO）和水平位移（LS）。我们提出了ABACUS，稀疏下的自动贝叶斯变点，贝叶斯源分离技术，以恢复潜在的信号，同时也检测模型参数的变化。多级稀疏实现了信号变化的降维和建模。我们表明，ABACUS在仿真研究中对最先进的变化检测方法和建立的潜变量模型具有竞争力或优越的性能。我们还说明了ABACUS的两个实际应用，建模基因组图谱和分析家庭用电量。
2018-10-15 stat.AP stat.ME stat.ML
Loss-based Bayesian Sequential Prediction of Value at Risk with a Long-Memory and Non-linear Realized Volatility Model
提出RNN-HAR模型，结合HAR与RNN处理长记忆和非线性动态，采用基于损失的贝叶斯推断和序列蒙特卡洛进行估计，在31个市场指数的VaR预测中优于其他模型。
2024-08-24 q-fin.RM stat.ML
Functional Bayesian Networks for Discovering Causality from Multivariate Functional Data
多元函数数据有着广泛的应用。一项基本任务是理解这些功能对象之间的因果关系，这一点尚未得到充分探讨。在这篇文章中，我们开发了一个新的贝叶斯网络模型的多元函数数据的条件独立性和因果结构都编码的有向无环图。具体地说，我们允许函数对象偏离高斯过程，这是大多数现有的函数数据分析模型所采用的。更合理的非高斯假设是唯一的因果结构识别的关键，即使在测量的函数与噪声。设计了一个完全贝叶斯框架，通过后验摘要来推断具有自然不确定性量化的功能贝叶斯网络模型。仿真研究和实际数据的例子被用来证明所提出的模型的实际效用。
2022-10-23 stat.ME
Bayesian Modeling of Air Pollution Extremes Using Nested Multivariate Max-Stable Processes
捕捉空间区域内多种空气污染物峰值浓度之间潜在的强相关性对于评估相关的公共健康风险至关重要。为了研究大气污染极值的多元空间相关性，我们引入了一类新的多元极大稳定过程。我们提出的模型承认一个层次树为基础的配方，其中的数据是有条件的独立给定一些潜在的嵌套$α$稳定的随机因素。分层结构有利于贝叶斯推断，并提供了一个方便和可解释的表征。我们拟合这个嵌套的多变量最大稳定模型的最大值的空气污染浓度和温度记录在洛杉矶地区的一些网站，表明该模型成功地捕捉到他们复杂的尾部依赖结构。
2018-03-18 stat.AP
The Soft Multivariate Truncated Normal Distribution with Applications to Bayesian Constrained Estimation
我们提出了一种新的分布，称为软tMVN分布，它提供了一个光滑的近似截断多元正态分布（tMVN）与线性约束。提出了一种高效的分块Gibbs采样器，用于对软tMVN分布进行高维采样。我们提供的软tMVN的逼近能力的理论支持，并提供进一步的经验证据。软tMVN分布可用于从具有线性约束的多变量截断正态分布近似模拟，或其本身作为形状约束问题中的先验。
2019-09-02 stat.CO
A Bayesian Dirichlet Auto-Regressive Conditional Heteroskedasticity Model for Forecasting Currency Shares
UCLA（加州大学洛杉矶分校）；Airbnb（爱彼迎）；Department of Biostatistics, UCLA Fielding School of Public Health（加州大学洛杉矶分校菲尔丁公共卫生学院生物统计系）
本文提出B-DARMA-DARCH模型，用于预测货币份额，通过引入狄利克雷ARCH组件，有效捕捉波动聚集性并提高预测精度。
2026-02-16 stat.ME
Outlier-Robust Bayesian Multivariate Analysis with Correlation-Intact Sandwich Mixture
针对多元分析中离群值扭曲相关结构的问题，提出相关性保持的三明治混合模型，采用对称超重尾尺度分布实现后验稳健性，并开发高效吉布斯采样算法，在模拟和实证中验证优越性。
2025-10-24 stat.ME
Skew selection for factor stochastic volatility models
本文提出了具有斜误差分布的因子随机波动模型。广义双曲型偏t分布适用于共因子过程和特质冲击。使用贝叶斯稀疏建模策略的偏度参数提供了一个简约的偏度结构可能高维随机波动率模型。提供每日股票收益分析。实证结果表明，偏度对共同因素过程很重要，但对特质冲击不太重要。稀疏偏斜结构提高了预测和投资组合性能。
2019-03-26 stat.ME
Bayesian Inference Methods for Univariate and Multivariate GARCH Models: a Survey
本调查回顾了现有的文献中最相关的贝叶斯推断方法的单变量和多变量Gestival模型。每个程序的优点和缺点，以及贝叶斯方法与经典程序的优点。本文重点介绍了最近的贝叶斯非参数方法，避免强加任意的参数分布假设的Gestival模型。这些新方法隐含地假设了标准化收益率的高斯分布的无限混合，这已被证明是更灵活的，更好地描述了未来波动的不确定性。最后，调查提出了一个例子，使用真实的数据显示的灵活性和实用性的非参数方法。
2014-02-03 math.ST stat.AP stat.TH
Bayesian inference on group differences in multivariate categorical data
多元分类数据在许多领域都很常见。我们的动机是选举民意调查研究，评估2016年美国总统初选或党团会议中选民意见变化与候选人偏好的证据。类似的目标经常出现在几个应用程序中，但目前的文献缺乏一个通用的方法，结合灵活性，效率和易处理性在不同的多变量分类数据在不同的-潜在的复杂-规模的组差异测试。我们通过利用贝叶斯表示来解决这个目标，贝叶斯表示将组变量和多变量分类数据的联合概率质量函数分解为组的边际概率的乘积，以及给定组成员资格的多变量分类数据的条件概率质量函数。为了提高灵活性，我们定义的条件概率质量函数的多元分类数据通过一组依赖的混合张量因子分解，从而促进降维和借用的信息，同时提供易于处理的程序计算，并准确的测试评估全球和本地组的差异。我们将我们的方法与流行的竞争对手进行比较，并讨论在模拟和美国选举民意调查研究中的改进性能。
2017-08-09 stat.ME
A Bayesian changepoint methodology for high dimensional multivariate time series and space-time data: A study of structural change using remotely sensed data
提出了一种贝叶斯方法来分析多变量时间序列和时空数据中的变点。该方法被用来评估在澳大利亚北部的海湾平原生物区的生态系统的影响，扩大洪水。所提出的方法可以实现具有条件高斯状态空间表示的动态混合模型。详细介绍了如何有效地实现算法的一般类的多变量时间序列和时空模型。这种高效的实现使得分析高维，但现实的大小，时空数据集是可行的，因为我们的方法可以明显更快，可能是数百万倍，在这种情况下，比一个标准的实现。
2013-06-20 stat.ME
Volatility Forecasts Using Nonlinear Leverage Effects
杠杆效应-资产回报与波动性之间的相关性-在预测和理解波动性和风险方面发挥了关键作用。长期以来，人们一致认为存在杠杆效应并能改善预测，但矛盾的是，经验证据并没有表明大多数个股都表现出这种现象，从而错误地描述了风险，导致预测表现不佳。我们研究这个悖论，目的是提高密度预测，放松线性假设的杠杆效应。在贝叶斯随机波动率框架内提出了杠杆效应的非线性概括，以捕捉灵活的杠杆结构，其中价格的小波动有不同的影响，从大的冲击。高效的贝叶斯顺序计算的开发和实施，以估计这种效果在一个实际的，在线的方式。研究615只股票，包括标准普尔500指数和日经225指数，我们发现，放松线性假设，我们提出的非线性杠杆效应函数提高了预测性能的89%的股票相比，传统的模型假设。
2017-12-11 q-fin.ST stat.AP
A Bayesian take on option pricing with Gaussian processes
局部波动率是一个通用的期权定价模型，由于其状态依赖的扩散系数。然而，校准是不平凡的，因为它涉及提出潜在函数的假设模型和将其拟合到数据的方法。在本文中，我们提出了新的贝叶斯推理高斯过程先验。我们获得了丰富的本地波动率函数的概率概念的不确定性附加到校准表示。我们提出了一个推理算法，并将我们的方法应用于标准普尔500指数的市场数据。
2021-12-07 econ.EM q-fin.MF stat.ML
Models of random sparse eigenmatrices matrices and Bayesian analysis of multivariate structure
我们讨论由稀疏特征矩阵上的分布定义的随机协方差结构的概率模型。正交矩阵的Givens旋转分解定义了一个自然的，可解释的框架，用于定义随机特征矩阵稀疏结构的分布。我们探索理论方面和影响的条件独立结构中出现的多元高斯模型，并讨论稀疏PCA，因子分析和高斯图形模型的连接。方法学包括基于模型的探索性数据分析和通过可逆跳跃马尔可夫链蒙特卡罗的贝叶斯分析。模拟研究检查的能力，以确定稀疏的多元结构相比，基准图形建模方法。具有额外测量误差的多元正态混合模型的扩展进入了具有广泛实际意义的潜在结构分析的框架。我们探讨的影响和效用的新模式与20维乳腺癌基因组学数据集的详细应用研究的摘要。
2016-06-27 stat.ME
A Bayesian GED-Gamma stochastic volatility model for return data: a marginal likelihood approach
几项研究探讨了基于随机波动率（SV）模型的推断，同时考虑到回报数据的程式化事实。常见的问题是，许多波动率模型的潜在参数是高维的，并且在分析上难以处理，这意味着推断需要使用例如马尔可夫链蒙特卡罗或拉普拉斯方法进行近似。一些SV模型被表示为线性高斯状态空间模型，其导致边际似然，从而降低问题的维度。其他的不线性化，并且潜在参数被整合出来。然而，这些提出了一个相当严格的演化方程。因此，我们提出了一个贝叶斯GED-Gamma SV模型，其直接边际似然是广义学生t分布的产物，其中潜在状态通过平稳高斯演化方程随时间变化。然后，对对数精度/波动率的先验分布进行近似，而不需要模型线性化。这也允许计算边缘似然函数，其中高维潜在状态被整合出来，并且使用平滑过程容易地在块中采样。此外，我们的GED伽马模型的扩展很容易将斜重尾分布。我们使用贝叶斯估计的静态参数的推断，并进行了模拟研究的估计的几个性质。我们的结果表明，所提出的模型可以合理地估计。此外，我们还提供了巴西资产和英镑/美元汇率的案例研究，以显示我们的方法在拟合和预测方面的性能。关键词：SV模型，新的序列和平滑程序，广义学生t分布，非高斯误差，重尾，偏度
2018-08-23 q-fin.ST stat.OT
High-dimensional Multivariate Geostatistics: A Bayesian Matrix-Normal Approach
空间导向因变量的联合建模在环境科学中很常见，科学家们试图估计一组环境结果之间的关系，这些结果之间的依赖性和每个结果的空间依赖性。这种建模现在正在寻求大量的数据集，在非常大量的位置测量的变量。贝叶斯推断，虽然有吸引力的容纳不确定性，通过层次结构，可以成为计算繁重的建模海量空间数据集，因为它依赖于迭代估计算法。这篇手稿开发了一个共轭贝叶斯框架，用于分析多变量空间数据，使用分析易处理的后验分布，迭代算法。我们讨论了建模的多变量响应本身作为一个空间的过程和建模的层次模型中的一个潜在的过程之间的差异。我们说明了这些模型的计算和推理的好处，使用模拟研究和分析的植被指数数据集与空间相关的观测编号为数百万。
2020-12-07 stat.ME
A Bayesian approach for clustering skewed data using mixtures of multivariate normal-inverse Gaussian distributions
非高斯混合模型在基于混合模型的聚类中得到越来越多的关注，特别是在处理具有偏态和重尾等特征的数据时。在这里，这样的混合分布，基于多元正态逆高斯（MNIG）分布。对于混合模型的参数估计，采用基于Gibbs抽样的贝叶斯方法，提出了一种模拟单变量广义逆高斯随机变量和矩阵广义逆高斯随机矩阵的新方法.该算法将被应用到模拟和真实数据。通过仿真研究和实际数据分析，我们表明参数恢复，我们的方法提供了竞争力的聚类结果相比，其他聚类方法。
2020-05-06 stat.CO
Multivariate Bayesian function estimation
本文研究了以紧致黎曼流形为区域的多元非参数回归问题的贝叶斯方法。就后者而言，流形的基本几何形状在多元非参数回归函数上诱导了某些对称性。贝叶斯方法，然后允许一个将层次贝叶斯方法直接到谱结构，从而提供了一个自适应的多变量贝叶斯函数估计。也可以扩散掉一些先验信息，其中极限情况是流形上的平滑样条。这与光滑样条解在多元非参数回归问题中获得极小极大收敛速率的结果一起，为Bayes估计提供了良好的频率论性质。天文学的应用也包括在内。
2006-03-06 math.ST stat.TH
