混合高斯过程条件异方差
机器学习
2013-01-29 v4 机器学习
摘要
广义自回归条件异方差 (GARCH) 模型长期以来被视为金融收益率序列波动率建模最成功的方法族之一。在本文中，我们提出了一种基于统计机器学习领域广泛使用方法的新途径。具体而言，我们提出了一种新颖的非参数贝叶斯混合高斯过程回归模型，其每个分量都将污染观测数据的噪声方差过程建模为由观测数据驱动的独立潜高斯过程。通过这种方式，我们本质上获得了一个用于金融收益率序列波动率建模的混合高斯过程条件异方差 (MGPCH) 模型。我们在模型混合分量的分布上施加了具有幂律性质的非参数先验，即 Pitman-Yor 过程先验，以便更好地捕捉具有重尾和偏斜特性的建模数据分布。最后，我们提供了一种基于 Copula 的方法，用于获取由假定的 MGPCH 模型建模的资产收益率协方差的预测后验分布。我们在多个基准场景中评估了该方法的有效性，并将其性能与最先进的方法进行了比较。
引用
@article{arxiv.1211.4410,
title = {Mixture Gaussian Process Conditional Heteroscedasticity},
author = {Emmanouil A. Platanios and Sotirios P. Chatzis},
journal= {arXiv preprint arXiv:1211.4410},
year = {2013}
}
备注
Technical Report, under preparation