.png){kind=icon}
返回
Bayesian Adaptive Sparse Copula
.png){kind=icon}
PRE
AI
DOI：10.1080/10618600.2026.2648594.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
贝叶斯非参数密度估计方法通常基于单尺度先验，如狄利克雷过程混合。基于决策树的多尺度密度先验具有许多已知优势，包括能够表征局部突变变化和提供具有所需分辨率的估计。尽管其在理论上有吸引力，但文献中开发的多尺度方法通常是一元的。它们的多元版本由于混合成分数量快速增长，在应用中通常难以实现。我们提出了单位超立方体上具有尖峰-基板收缩结构的随机伯恩斯坦多项式先验。该先验诱导多尺度决策树的后验稀疏性，缓解了维度灾难。我们将所提出的模型嵌入到复合先验中，其中包含一般密度空间上的copula链接函数和非参数边缘分布。我们给出了在弱拓扑下的后验一致性的条件，并通过模拟研究评估了有限样本性质。此外，我们通过一个应用实例来说明模型在预测金融投资组合的风险价值（VaR）和预期损失（ES）时的实际用途，该场景下从非稀疏后验中采样是不可行的。
Keyword:
Bernstein polynomial
Multiscale estimation
Nonparametric copula
期刊
J
IF:
1.8
论文数:
141
被引数:
6.4K
机构
引用论文
暂无论文信息