May, 2023

利用隐马尔可夫模型非参数识别和估计收入动态：来自 PSID 的证据

PDF
TL;DR本文提出了一种隐马尔可夫模型，旨在研究收益持续性的复杂性质。应用该模型于收入动态面板研究数据集，研究发现收益过程表现出非线性持久性、条件偏度和条件峰度，与此同时，短期成分还具有非高斯性质。
hidden markov modelearnings persistencemarkov processesnonlinear persistencepanel study of income dynamics
发现论文，激发创造
  • 通过连续矩阵的谱分解学习非参数排放 HMM

    研究使用连续线性代数和数值分析的计算方法，采用非参数模型来推断连续发射密度，以实现对隐马尔可夫模型的估计，证明了计算方法的有效性和可行性，并探讨了其样本复杂度和连续矩阵的扰动等问题。

    Sep, 2016

  • 贝叶斯非参数隐马尔可夫半马尔可夫模型

    本文提出了显式时长的分层狄利克雷过程隐半马可夫模型（HDP-HSMM），并开发了采样算法用于有效的后验推断，这个方法不仅可以为有限的贝叶斯 HSMM 提供新的采样方法，而且可以嵌入到更大的分层贝叶斯模型的采样器中，为贝叶斯推断提供另一种工具。

    Mar, 2012

  • 非参数隐马尔可夫模型的极小极大自适应估计

    本文提出了一种新的带罚项的最小二乘估计器，用于发射分布的非参数估计，并证明了其可以达到速率最小极致适应性。该方法基于逐步增加复杂度的嵌套子空间的发射分布的投影，最新的模拟表明了最小二乘估计法的改进。

    Jan, 2015

  • 多维标记霍克斯过程的非参数估计

    本文提出了一种用于估计带有标记的 Hawkes 过程的条件强度的非参数方法，并引入了两个不同的模型：用于具有兴奋核的 Hawkes 过程的浅层神经 Hawkes 模型和用于非线性 Hawkes 过程的神经网络模型。通过在合成数据集和加密货币订单簿数据上进行验证，证明了该方法的有效性和适用性。

    Feb, 2024

  • 连续时间线性动力系统的系统识别

    本文提出了一种连续 - 离散滤波器的系统辨识方法，利用连续时间 Ito 随机微分方程的解作为潜在状态和协方差动力学的基础，通过引入一种新颖的两因子解析后验贝叶斯方法，并通过效率高的计算后验概率的算法，实现了对参数进行估计的 EM 过程，从而扩展了混合卡尔曼滤波器对不规则采样数据以及非线性系统辨识方法的应用范围。

    Aug, 2023

  • 使用强韧的隐马尔可夫模型自动识别驾驶行为模式

    提出了一种新的鲁棒 HDP-HSMM（rHDP-HSMM）方法，用于减少冗余状态的数量，并改善模型估计的一致性。通过模拟研究和使用自然驾驶数据的案例研究来证明该方法在识别和推断驾驶操纵模式方面的有效性。

    Nov, 2023

  • 长期网络随机块模型的半参数扩展

    提出了扩展随机块模型的连续时间循环交互事件模型，其中每个人都属于潜在群体，两个人之间的交互遵循由个人潜在群体驱动的条件不均匀泊松过程，证明了该模型的可识别性，其估计是基于半参数变分期望最大化算法进行的，该方法的两个版本使用非参数直方图方法 (自适应选择分区大小) 或核强度估计器，潜在群体的数量可以通过集成分类似然标准进行选择，最后，我们演示了我们的过程在合成实验上的性能，并分析了两个数据集以说明我们的方法的效用并评论了竞争方法。

    Dec, 2015

  • 对称霍克斯过程的非参数核估计。应用于高频金融数据

    提供一种数值方法，可在对称多元 Hawkes 过程中非参数估计核形状，并通过 1D 或 2D Hawkes 过程对高频金融价格数据建模，发现具有长记忆性的自我激励现象的核形状符合慢衰减（幂律）形状。

    Dec, 2011

  • Hawkes 过程的二阶统计特征及非参数估计

    本文提出了一种使用 Wiener-Hopf 积分方程系统进行 Hawkes 核矩阵的非参数估计的方法，并描述了这个步骤。作者进行了系统的研究，给出了不同维度（1 到 3）Hawkes 过程的数值估算和一个高频交易和地震时空统计的事件数据的应用案例比较。

    Jan, 2014

  • 何时和如何：学习可识别的非固定时间序列预测潜在状态

    我们提出了一种基于可识别的潜在环境状态（IDEA）的方法来检测分布转变发生的时间，并通过充分观察假设来解耦稳态和非稳态潜在状态的变化，其中包括自回归隐马尔可夫模型来估计潜在环境和模块化先验网络来识别潜在状态。在各种基准数据集上，IDEA 模型优于几种最新的非稳态预测方法，突显了其在实际场景中的优势。

    Feb, 2024