拟牛顿粒子Metropolis-Hastings

粒子Metropolis-Hastings使得一般非线性状态空间模型(SSMs)中的贝叶斯参数推断成为可能。然而，在许多实现中使用随机游走提议，如果未通过繁琐的预运行进行调优，会导致混合不良。因此，我们考虑一种受拟牛顿算法启发的新提议，其可用更少的调优实现相似（或更好）的混合。与其他基于海森的提议相比，一个优势是它仅需对数后验梯度的估计。一个可能的应用是在具有难解似然的极具挑战性的SSM类中进行参数推断。我们通过用带有$\alpha$-stable观测的随机波动率模型对咖啡期货合约的对数收益率建模，来例证此应用及新提议的益处。