.png){kind=icon}
返回
.png){kind=icon}
.png){kind=icon}
.png){kind=icon}
.png){kind=icon}
.png){kind=icon}
摘要
En 中文
美国股票和债券收益率均表现出明显的马尔可夫状态。然而，由于这些状态显示有限的一致性，传统模型通常需要高度参数化的系统才能充分捕捉它们的联合分布。本文提出了一种用于双变量马尔可夫状态向量自回归（MS-VAR）模型的新框架，更有效地刻画了美国股票和债券收益的状态动态。该设定利用六个潜在马尔可夫链来控制模型参数的演变。实证证据表明，这种方法能提供更具可解释性的条件矩估计，并对潜在状态产生比标准MS-VAR模型更富有信息量的解码。最大似然估计量通过带有闭式条件最大化步骤的期望-条件最大化算法实现。此外，该估计量的大样本性质得到了正式确立。
Keyword:
expectation conditional maximization
hidden Markov models
MS-VAR
multiple Markov chains
