.png){kind=icon}
返回
Neural Conformal Inference for jump diffusion processes
.png){kind=icon}
PRE
AI
DOI：10.1016/j.jeconom.2025.106061.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
跳跃扩散过程（JDPs）的贝叶斯推断因不可计算的转移密度以及跳跃时间和强度的延迟而仍然具有挑战性。本文介绍了用于JDPs的神经一致性推断（NCoin-JDP），一种新颖的无似然方法，利用了深度神经网络（DNNs）的力量。NCoin-JDP通过使用DNN在观测数据与模型参数之间建立直接映射，绕过了传统方法的局限性。这种方法消除了基于似然方法中固有的离散化误差，从而实现更精确的推断。尽管DNN具有黑箱性质，我们建立了渐近理论来量化我们算法的近似误差。此外，我们使用一致性预测校准估计的不确定性，提供了与贝叶斯后验等效的理论保证。NCoin-JDP在与其他最先进方法的比较中表现出竞争力。我们通过数值模拟展示了其有效性，并将其应用于真实数据（S&P 500和NASDAQ，1993—2024）以研究COVID-19对美国经济的影响。所有数值研究均可通过https://github.com/anonymous1116/NCoin-JDP再现。
Keyword:
Bayesian inference
jump diffusion processes
neural networks
conformal prediction
likelihood-free methods
