本研究提出了一种通用的建模框架，通过结合非参数狄利克雷过程混合模型和非参数或半参数建模，用于标记泊松过程的强度和密度函数建模，包括建议的核函数选取、先验规范和后验模拟等内容，并讨论了模型检验的方法，最后以模拟和真实数据集为例进行了说明。

Dec, 2010

使用高斯过程的贝叶斯方法预测金融数据中的时间变化方差，相较于标准模型，新模型具有更高的预测性能。

Feb, 2014

这篇论文研究了如何利用数值和概率模型进行高频交易的短期波动率和回报预测，通过在 Numerical Market Prediction 模型的输出上应用高斯过程，使用修正后的股价数据建立了一个被审查的高斯过程模型，评估了预测误差。

Nov, 2023

提出了一种将随机波动模型更改为具有特殊协方差函数的分层高斯过程模型的方法，使其可以根据历史数据产生真正的后验分布，同时还将基于大量已研究的领域的启发式设计用于多任务学习，实现了比基线模型更好的股票和风速预测。

Jul, 2022

本文提供了理论支持，证明了 Sigmoidal Gaussian Cox Process 方法在学习 $d$ 维区域内不均匀 Poisson 过程强度方面的有效性。我们展示了如何调整模型超参数的先验分布，以便程序自适应未知强度的平滑程度，并实现最佳收敛速率。

Sep, 2014

该论文提出了一种名为 Gam-Chain 的动态贝叶斯网络模型，可用于预测金融时间序列中的波动，并通过插入 Dummy Gamma 节点来保证模型中的波动是独立增量过程，相比于传统线性模型具有更好的拟合效果和更快的状态估计速度，并在加密货币、纳斯达克和外汇数据的实验中验证了其有效性。

Jul, 2022

本文介绍了蒙特卡洛仿真的泊松过程模型，解释了如何通过扰动和最大化质量函数来完成对离散分布的采样。并通过构建随机函数的方法用于无限空间中的泊松过程模型，综述了 A * 采样和 OS * 采样两种不同蒙特卡洛方法。

Feb, 2016

这篇论文提出了一个双进程的元学习方法，将每个股票的预测视为元学习框架下的一个任务，使用股票依赖参数来建立每个股票的特定模式。通过挖掘每个股票的节点变量，该方法可以提高各种基线模型的性能，并证明了元学习框架的有效性。

Oct, 2022

提出了一种多元 Hawkes 过程模型，该模型通过市场订单到达对微观结构级别的市场价格动态进行了建模，可以很好地解释市场价格微结构和市场影响的特征，并且可以从匿名市场数据中估计整个市场影响轮廓。

Jan, 2013

基于 Poisson 随机测度的离散随机概率测度的后验分析方法，能够应用于广泛的贝叶斯非参数和空间统计模型，其技术是基于 Laplace 变换和 Poisson 随机分割方法的，表现出其很高的灵活性并能描述各种随机概率测度和随机危害等。

Aug, 2005