PMCMC算法在非线性非高斯状态空间模型中的应用
| 摘要 | 第1-4页 |
| Abstract | 第4-7页 |
| 第1章 绪论 | 第7-12页 |
| ·研究背景 | 第7-8页 |
| ·研究目的 | 第8页 |
| ·研究现状 | 第8-10页 |
| ·粒子滤波研究进展 | 第8-9页 |
| ·参数估计研究进展 | 第9-10页 |
| ·本文的主要工作 | 第10-11页 |
| ·本文的创新之处 | 第11-12页 |
| 第2章 粒子滤波基本理论 | 第12-25页 |
| ·贝叶斯滤波原理 | 第12-15页 |
| ·状态空间模型基本形式 | 第12-13页 |
| ·贝叶斯滤波理论 | 第13-15页 |
| ·序贯蒙特卡罗算法 | 第15-19页 |
| ·蒙特卡罗积分 | 第15-16页 |
| ·序贯重要性采样算法 | 第16-19页 |
| ·粒子滤波改进方法 | 第19-24页 |
| ·重要性密度函数选择 | 第19-20页 |
| ·重要性重采样算法 | 第20-21页 |
| ·其他改进方法 | 第21-23页 |
| ·标准粒子滤波算法 | 第23-24页 |
| ·本章小结 | 第24-25页 |
| 第3章 PMCMC算法基本理论 | 第25-40页 |
| ·常用参数估计方法的缺点 | 第25-26页 |
| ·马尔科夫链蒙特卡罗算法 | 第26-29页 |
| ·常用的MCMC抽样方法 | 第26-28页 |
| ·MCMC算法在状态空间模型中的应用 | 第28-29页 |
| ·粒子马尔科夫链蒙特卡罗算法 | 第29-32页 |
| ·基于M-H抽样的PMMH算法 | 第29-30页 |
| ·基于Gibbs抽样的PG算法 | 第30-31页 |
| ·基于局部M-H抽样的PLMH算法 | 第31-32页 |
| ·PMCMC的改进方法 | 第32页 |
| ·模拟研究 | 第32-39页 |
| ·一个非线性状态空间模型 | 第32-35页 |
| ·基于马尔科夫市道轮换的利率期限模型 | 第35-39页 |
| ·本章小结 | 第39-40页 |
| 第4章 PMCMC算法在利率期限结构模型中的应用 | 第40-46页 |
| ·利率期限结构模型建立 | 第40-42页 |
| ·市道轮换框架下的CKLS模型 | 第40-41页 |
| ·随机波动率模型 | 第41页 |
| ·市道轮换框架下的随机波动率模型 | 第41-42页 |
| ·数据描述 | 第42-43页 |
| ·实证分析 | 第43-45页 |
| ·本章小结 | 第45-46页 |
| 结论 | 第46-47页 |
| 参考文献 | 第47-51页 |
| 附录 | 第51-52页 |
| 攻读硕士学位期间发表论文 | 第52-53页 |
| 致谢 | 第53页 |
