用于状态空间模型无似然推断的 Particle Gibbs 及其在随机波动率中的应用
统计方法学
2023-12-21 v1 统计计算
摘要
状态空间模型（SSM）被广泛用于描述动态系统。然而，当观测似然难以处理时，无法轻易使用标准马尔可夫链蒙特卡洛或序贯蒙特卡洛方法对 SSM 进行参数推断。在本文中，我们提出了一种粒子 Gibbs 采样器，作为在近似贝叶斯计算（ABC）设定下处理具有难以处理似然的 SSM 的一般策略。所提出的采样器结合了条件辅助粒子滤波器，有助于缓解 ABC 中经常遇到的权重退化问题。为了说明该方法，我们重点关注金融和计量经济学中用于分析和解释波动率的经典随机波动率模型（SVM）。模拟研究表明，与基于条件自助法滤波器的现有粒子 Gibbs 采样器相比，我们的采样器在 SVM 参数推断上具有更高的准确性。作为实际数据应用，我们将所提出的采样器应用于拟合 2008 年金融危机期间 S&P 500 指数时间序列数据的 SVM。
引用
@article{arxiv.2312.13044,
title = {Particle Gibbs for Likelihood-Free Inference of State Space Models with Application to Stochastic Volatility},
author = {Zhaoran Hou and Samuel W. K. Wong},
journal= {arXiv preprint arXiv:2312.13044},
year = {2023}
}
备注
23 pages