MCMC方法下最优Copula的估计及选取

针对目前Copula函数在实际中的应用问题,介绍了一种基于马尔科夫链蒙特卡罗方法（MCMC）的Copula函数估计及选取方法,并将该方法与目前常用方法进行系统比较,最后对上证综合指数和深证成分指数进行了实证分析,结果体现了该法的有效性。     

先验信息对MCMC方法估计概化理论方差分量变异量的影响

MCMC是一种动态的蒙特卡洛方法,可以用于估计概化理论的方差分量。MCMC方法估计出的方差分量受限于抽样,不同的抽样样本,所估计的方差分量可能不一样,需要对其变异量进行探讨。文章采用蒙特卡洛(Monte Carlo)数据模拟技术,在正态分布下讨论有无先验信息对MCMC方法估计概化理论方差分量变异量的影响。结果发现,有先验信息的MCMC方法估计方差分量标准误较无先验信息的MCMC方法要精确些,但随着i的样本容量增大,这种趋势减小;有先验信息的MCMC方法和无先验信息的MCMC方法估计方差分量置信区间,随着i的样本容量增大,精确度相当。     

缺失数据多重插补处理方法的算法实现

文章在简要介绍EM算法的基础上,对MCMC算法,特别是DA算法实现缺失数据补全做了深入探讨,介绍了DA算法迭代模拟过程,并对DA算法与EM算法进行了比较。     

Weibull分布下基于MCMC的贝叶斯恒加试验数据评估

本文基于贝叶斯生存分析理论,在参数的有信息先验假设条件下,通过运用基于Gibbs抽样的马尔可夫链蒙特卡罗(MCMC)方法动态模拟出相关参数后验分布的马尔可夫链,给出恒加试验模型中各参数的贝叶斯估计;利用BUGS软件包对文献[6]中的实例进行建模分析,并将两种假设条件下MCMC具有显著差异的计算结果与传统BLUE结果进行比较,发现BLUE的计算结果近似等于将产品截尾数据当作失效数据时MCMC的处理结果;进而再次揭示出传统BLUE方法的不足,并证明了该模型在可靠性应用中的直观性与有效性。     

基于MCMC和贝叶斯的AR（1）-MA（0）双重模型的参数估计

为了解决AR（1）-MA（0）双重模型的参数估计问题,文章引入一种新的方法即基于MCMC和贝叶斯估计方法,对该模型的参数进行了估计,系统地推导出了模型中各参数的估计值;通过数值模拟,说明用该方法估计此类模型的参数是可行的,且与传统方法相比更易于实现。     

基于MCMC的成数再保险的最优自留额

文章从原保险人的角度出发,研究对风险组合进行成数再保险安排时的最优自留额问题。为了充分考虑各类风险的不确定性,本文对索赔次数和索赔额引入多级贝叶斯模型,并将马尔柯维茨"均值—方差"理论作为判断最优的标准,使原保险人在动态利润下通过设定最优自留额达到自己所承保的风险组合的风险最小,从而得到利润与风险的有效边界。我们将利用MCMC数值模拟方法求解贝叶斯模型。模拟结果证明了该模型及MCMC数值模拟方法的有效性。     

基于MCMC方法的GARCH模型参数估计

参数GARCH模型是最常用的度量金融市场波动性的模型.运用马尔科夫蒙特卡罗(MCMC)方法对残差基于正态分布的GARCH(1,1)的参数进行估计,由沪市股指收益率数据的实证分析结果表明:基于马尔科夫蒙特卡罗(MCMC)方法估计的GARCH模型比基于极大似然估计(ML)方法估计的GARCH模型具有更好的拟合效果和预测能力.     

基于MCMC模拟的贝叶斯 AR-GJR-GARCH 模型及其应用

AR-GJR-GARCH模型是一种误差项为GJR-GARCH形式的自回归模型,该模型的贝叶斯推断很难得到其具体形式的条件后验密度。文章利用Metropolis-Hastings抽样方法对模型参数的条件后验分布进行MCMC模拟,然后运用模拟得到的样本对模型的参数进行贝叶斯估计。该方法解决了参数估计过程中的高维数值积分问题。模拟结果表明了该模型在中国股市波动性分析过程中的直观性和有效性。     

基于MCMC模拟和伪似然估计法的交叉分类信度模型费率厘定简

针对传统交叉分类信度模型计算复杂且在结构参数先验信息不足的情况下不能得到参数无偏后验估计的问题，利用MCMC模拟和GLMM方法，对交叉分类信度模型进行实证分析证明模型的有效性。结果表明：基于MCMC方法能够动态模拟参数的后验分布，并可提高模型估计的精度；基于GLMM能大大简化计算过程且操作方便，可利用图形和其它诊断工具选择模型，并对模型实用性做出评价。     

结构分量模型选择与稳健性研究

本文的主要工作是对季节调整中结构分量模型的选择及稳健性问题进行研究。通过构造备选模型、引入正态先验分布及对MCMC抽样方案进行重新设计,本文提出了能同时有效地辨别出分量个数和分量随机性与否的模型选择方法。将该方法应用于对中国季度GDP序列的季节调整建模分析中。分析结果显示,本文所提出的模型选择方法具有较高的筛选能力,并且对先验分布超参数值的变动也具有很好的稳健性。     

基于蒙特卡洛方法的金融市场风险VaR的算法分析

为解决蒙特卡洛(Monte Carlo)方法在计算风险价值(Value at Risk,VaR)方面的缺陷,文章首先引入GARCH模型来刻画金融数据的波动聚集性,再引入马尔科夫链蒙特卡洛(Markov Chain Monte Carlo,MCMC)方法,来克服GARCH模型参数估计约束条件带来的估计误差.通过对上证50指数的实证分析表明,引入MCMC方法可以提高模型的估计精确度.     

上海证券市场的图模型结构研究

在参数化方法基础上,提出基于贝叶斯思想的图模型方法,且通过MCMC方法给出算法设计,最后将该该方法应用于我国上海证券市场,研究五大行业板块之间的条件相关性。实证结果表明工业板块与其它板块间似乎有着更强的相关性,房地产和综合板块与其它板块的相关性相对较弱。     

基于MCMC方法的贝叶斯AR(p)模型分析

本文提出运用Gibbs抽样的MCMC方法,解决时间序列AR(p)模型贝叶斯分析过程中所遇到的复杂的数值计算问题,借数据仿真分析来说明运用WinBUGS软件建模的分析过程,得出以MCMC为基础的WinBUGS软件简便了贝叶斯AR(p)模型的实际应用的结论.     

基于贝叶斯MCMC方法的VaR估计

文章运用极值理论对VaR估计通常是用极大似然估计法,研究了利用BayesMCMC方法来估计极值理论中POT模型的参数,从而求得VaR。文章首先阐述对样本值建立POT模型,给出常用的阈值选取方法;然后使用MCMC方法中的Gibbs抽样对参数进行估计;最后利用上证综合指数对其进行了实证分析,验证了Bayes方法的有效性。     

MCMC方法的发展与现代贝叶斯的复兴——纪念贝叶斯定理发现250周年

信息科学的进步如何影响统计学理论与方法的发展,是21世纪大数据时代统计学面临的重要问题。回顾20世纪40年代MCMC方法的起源与发展,基于千岛湖植物考察与R软件直观性解释Metropolis–Hastings算法,讨论MCMC方法的发展对现代贝叶斯统计复兴具有至关重要的作用。基于云计算随机模拟,统计学与信息科学密切结合、贝叶斯与频率统计相互交融的统计分析新范式,可能成为大数据研究的新思路。     

基于MCMC方法对中国非线性广义泰勒规则的构建

文章对我国带有状态转换和随机趋势通货膨胀目标的广义非线性泰勒规则进行了建模,并采用状态空间Gibbs抽样的MCMC方法进行了估计。实证结果显示:我国货币政策泰勒规则系数的确存在状态转换特征,通货膨胀目标变量存在随机性特征,估计的趋势通货膨胀目标值较实际值平滑,拟合效果较好。     

贝叶斯非参数回归模型及非参数似不相关回归模型的应用

文章用贝叶斯方法分析非参数回归（NR）及非参数似不相关回归（NSUR）模型,并用计算代价较小的MCMC算法一焦点抽样算法一实现模型估计。经模拟证明文章的方法及算法效果较理想后,对北京和上海农村居民生活消费支出与收入之间结构进行了分析,效果均比LSE方法好。     

重要声明

<正>最近,有读者反映,我刊2009年第4期登载的《基于MCMC方法的GARCH模型参数估计》论文,其核心部分完全翻译英文文章Bayesian Estimation of the GARCH(1,1)Model with Normal Innovations(author:Ardia David,First version:2006,Last Version 2006)。我们调查后确认,该文第二部分"MCMC     

CEV过程的参数估计研究

文章借鉴前人的经验研究了cEv过程参数估计的GMM、MLE、MCMC方法，并利用沪深300股指数据做了实证分析。从标准误比较结果来看，MLE和MCMC估计优于GMM，而且参数β〈2，说明沪深300股指收益率波动性的弹性不为0，即沪深300股指的分布不服从对数正态分布，CEV过程不等同于几何布朗运动。     

金融时序的波动率模型比较研究

一、引言 关于波动性的研究是金融领域里的一个非常重要的内容,在本文中波动性指的是就是条件异方差.本文借助于软件WinBUGS(BUGS(Bayesian inferenceUsing Gibbs sampling)这是一个专门用来实施贝叶斯方法的免费软件,可在以下站点下载到:www.mrc-bsu.cam.ac.uk/bugs/winbugs)利用MCMC(Markov Chain Monte Carlo)方法来估计单变量的SVN模型的参数,因为通过MCMC方法能取得模型的精确的似然函数,因此这一方法估计SV模型当前被认为是最好的,所获得的参数估计也是最精确的,所以我们可以得到SV模型和GARCH模型更为客观准确的比较.另外利用MCMC方法,在获得波动率的估计值和预测值方面,都变得极为便当.