[论文解读] Filtering and Smoothing with Score-Driven Models

Giuseppe Buccheri, Giacomo Bormetti+2 more|arXiv (Cornell University)|Mar 13, 2018

Financial Risk and Volatility Modeling参考文献 28被引用 5

一句话总结

本文提出了一种计算高效的滤波与平滑方法，用于评分驱动的状态空间模型，通过利用条件对数似然的得分来近似真实滤波密度。该方法在保持简单性的同时，实现了接近精确模拟方法的性能，并具备正式的误差界和强大的蒙特卡洛实证验证。

ABSTRACT

We propose a methodology for filtering, smoothing and assessing parameter and filtering uncertainty in score-driven models. Our technique is based on a general representation of the Kalman filter and smoother recursions for linear Gaussian models in terms of the score of the conditional log-likelihood. We prove that, when data is generated by a nonlinear non-Gaussian state-space model, the proposed methodology results from a local expansion of the true filtering density. A formal characterization of the approximation error is provided. As shown in extensive Monte Carlo analyses, our methodology performs very similarly to exact simulation-based methods, while remaining computationally extremely simple. We illustrate empirically the advantages in employing score-driven models as approximate filters rather than purely predictive processes.

研究动机与目标

• 开发一种在非线性、非高斯状态空间模型中实现计算可行的滤波与平滑方法。
• 解决评分驱动模型中参数与滤波不确定性的问题。
• 对将线性高斯滤波递推应用于非线性非高斯模型时的近似误差进行形式化表征。
• 证明在实践中，基于评分的近似方法可优于纯粹预测性的评分驱动模型。

提出的方法

• 该方法将卡尔曼滤波与平滑递推公式重新表述为条件对数似然得分的形式，从而可应用于非高斯模型。
• 通过在当前状态估计点对对数似然得分进行一阶展开，对真实滤波密度进行局部线性化。
• 该方法将得分视为更新状态估计的充分统计量，将标准卡尔曼滤波扩展至非高斯场景。
• 基于对数似然的曲率与状态演化动态，推导出形式化的近似误差界。
• 通过递归更新得分实现方法，避免了模拟或数值积分的需要。
• 通过一致的基于得分的递推，实现状态、参数与滤波不确定性的联合估计。

实验结果

研究问题

• RQ1 如何在不使用模拟的情况下，将类似卡尔曼滤波的递推方法适配于非线性、非高斯状态空间模型？
• RQ2 使用基于评分的线性化近似真实滤波密度时，其理论误差界是什么？
• RQ3 在有限样本下，所提出的评分驱动滤波器与精确模拟方法相比性能如何？
• RQ4 在实践中，评分驱动模型能否作为有效滤波器，而不仅作为预测模型？

主要发现

• 在广泛的蒙特卡洛实验中，所提出的方法实现了与精确模拟方法非常接近的滤波性能。
• 近似误差被正式界定，其大小取决于对数似然的局部曲率与状态动态。
• 该方法有效捕捉了参数与滤波不确定性，从而在动态评分驱动模型中实现了稳健推断。
• 实证结果表明，将评分驱动模型用作滤波器可显著提高预测准确性，优于纯粹的预测性应用。