基于变分Wishart与逆Wishart过程的可扩展贝叶斯动态协方差建模
机器学习
2019-11-05 v2 机器学习
摘要
我们为Wishart过程和逆Wishart过程实现了基于梯度的变分推断例程，并将其作为多元时间序列动态异方差协方差矩阵的贝叶斯模型。Wishart过程和逆Wishart过程由独立同分布（i.i.d.）高斯过程构造，现有的针对后者的变分推断算法构成了我们方法的基础。这些方法易于作为黑盒实现，且随时间序列长度具有良好的可扩展性；然而，它们在Wishart过程的情况下会失效，我们通过一个简单的修正——将模型改为加性白噪声参数化——解决了该问题。这一修正也是实现该构造的因子分解变体的关键，使推断还能扩展到高维协方差矩阵。通过实验，我们证明部分（而非全部）模型变体在预测金融工具收益的协方差时优于多元GARCH。
引用
@article{arxiv.1906.09360,
title = {Scalable Bayesian dynamic covariance modeling with variational Wishart and inverse Wishart processes},
author = {Creighton Heaukulani and Mark van der Wilk},
journal= {arXiv preprint arXiv:1906.09360},
year = {2019}
}
备注
33rd Conference on Neural Information Processing Systems (NeurIPS 2019), Vancouver, Canada