论文部分内容阅读
针对贝叶斯长记忆随机波动模型的单步Gibbs抽样算法效率低下的问题，通过对模型在状态空间框架下的近似表示，将向前滤波向后抽样算法引入对波动变量的估计过程中，同时在贝叶斯框架下分析了模型参数的满条件后验分布，设计出Gibbs联合抽样算法．更进一步，在对模型进行参数估计的基础上，提出波动变量的向前多步预报分布的估计方法．模拟实验结果表明：联合Gibbs抽样算法能够在保证估计精度的基础上得到优于单步Gibbs抽样方法的抽样效率，对预报分布的特征分析可用于对金融时间序列的风险控制．