动态依赖网络：金融时间序列预测与投资组合决策（附讨论）

我们讨论了日益高维的时间序列的贝叶斯预测，这是金融行业及相关商业领域中随机动态模型应用的一个关键领域。刻画多个时间序列之间稀疏依赖模式的新型状态空间模型，扩展现有的多元波动率模型，使其能够扩展到更多数量的个体时间序列。这些“动态依赖网络”模型的理论展示了如何将个体序列“解耦”以进行序贯分析，然后再“重新耦合”以用于应用预测和决策分析。解耦允许在个体单变量模型中对每个序列进行快速、高效的分析，这些模型通过一个由稀疏基础图模型定义的理论多元波动率结构相互关联，以便后续重新耦合。在关于定义该图模型的序列间稀疏模式存在模型不确定性的情况下，计算上的进步尤为显著；利用历史信息折扣的贝叶斯模型平均在很大程度上建立在这一计算进步之上。一项广泛而详细的案例研究展示了这些模型的使用，以及在预测和金融投资组合决策方面可实现的改进。该案例研究使用了一系列长期的每日国际货币、股票指数和商品价格数据，包括对多日预测的评估和采用多种实用效用函数的贝叶斯投资组合分析，以及与商品交易顾问基准的比较。