用于时间序列建模与预测的贝叶斯上下文树状态空间模型
统计方法学
2025-08-28 v3 计量经济学
机器学习
摘要
本文引入了一种分层贝叶斯框架，用于开发基于树的时间序列混合模型，其部分动机来自金融与预测中的应用。在顶层，有意义的离散状态被识别为某些最近样本经适当量化后的值。在底层，每个状态关联一个不同的、任意的基模型。这定义了一个非常通用的框架，可与任何现有模型类结合使用，以构建灵活且可解释的混合模型。我们称之为贝叶斯上下文树状态空间模型，或 BCT-X 框架。文中描述了相应的算法工具，能够进行有效且高效的贝叶斯推断与学习；这些算法可顺序更新，便于在线预测。当以 AR 或 ARCH 模型作为基模型时，该通用框架的效用得到了具体说明。后者产生一种混合模型，为建模金融数据中著名的波动率不对称性提供了有力方法，并以增强杠杆效应的形式揭示了股票市场指数数据的一个新颖且重要的特征。在预测中，BCT-X 方法在准确性和计算需求方面均优于多种最先进的技术。
引用
@article{arxiv.2308.00913,
title = {The Bayesian Context Trees State Space Model for time series modelling and forecasting},
author = {Ioannis Papageorgiou and Ioannis Kontoyiannis},
journal= {arXiv preprint arXiv:2308.00913},
year = {2025}
}
备注
arXiv admin note: text overlap with arXiv:2106.03023