时间分区高斯过程混合模型识别时间序列持续状态

01 摘要

作者提出TPGPMM，一种用于时间序列状态识别和非平稳依赖建模的贝叶斯非参数模型。模拟显示能恢复状态结构，实际数据中识别出与市场事件对齐的状态。作者指出估计观测噪声的变体预测更准但状态划分稀疏性和事件对齐性下降；状态特定均值变体拟合优于平稳高斯过程且预测精度相当。

02 关键点

1. TPGPMM结合自适应Pitman-Yor先验与状态特定高斯过程，学习折扣参数以适应同质或异质状态长度。
2. 采用分裂-合并Metropolis-within-Gibbs采样器与精确Gibbs边界更新，联合学习变点与超参数并量化不确定性。
3. 在VIX和10年期美债收益率上识别出与重大市场和货币政策事件对齐的状态，但预测精度与可解释性存在权衡。