Usually, the Bayesian inference of

Usually, the Bayesian inference of the GARCH model is preferably performed by the Markov Chain Monte Carlo (MCMC)
method. In this study, we also take an alternative approach to the Bayesian inference by the importance sampling. Using a
multivariate Student’s t-distribution that approximates the posterior density of the Bayesian inference, we compare the performance
of the MCMC and importance sampling methods. The overall performance can be measured in terms of statistical errors
obtained for the same size of Monte Carlo data. The Bayesian inference of the GARCH model is performed by the MCMC
method implemented by the Metropolis-Hastings algorithm and the importance sampling method for artificial return data and
stock return data. We find that the statistical errors of the GARCH parameters from the importance sampling are smaller than
or comparable to those obtained from the MCMC method. Therefore we conclude that the importance sampling method can
also be applied effectively for the Bayesian inference of the GARCH model as an alternative method to the MCMC method.

ผลลัพธ์ (ไทย) 1:

โดยปกติ ข้อทฤษฎีของแบบ GARCH ควรดำเนินการโดย Markov โซ่มอน Carlo (MCMC)
วิธีการ ในการศึกษานี้ เราใช้วิธีการอื่นเพื่อข้อทฤษฎี โดยสุ่มตัวอย่างความสำคัญ ใช้กับ
เรียนตัวแปรพหุ t แจกที่ approximates ความหนาแน่นหลังของข้อทฤษฎี เราเปรียบเทียบประสิทธิภาพ
MCMC และวิธีสุ่มตัวอย่างความสำคัญ สามารถวัดประสิทธิภาพโดยรวมในแง่ของข้อผิดพลาดทางสถิติ
ได้มอน Carlo ข้อมูลขนาดเดียวกันได้ ข้อทฤษฎีของแบบ GARCH ดำเนินการ โดย MCMC
วิธีดำเนินการ โดยวิธีการสุ่มตัวอย่างความสำคัญข้อมูลเทียมคืนและอัลกอริทึมแฮสติงส์นคร และ
หุ้นข้อมูลคืน เราพบว่า ข้อผิดพลาดทางสถิติพารามิเตอร์ GARCH จากสุ่มตัวอย่างที่สำคัญมีขนาดเล็กกว่า
หรือเทียบเท่ากับผู้ที่ได้รับจากวิธี MCMC ดังนั้น เราสรุปว่า วิธีการสุ่มตัวอย่างความสำคัญสามารถ
ยัง จะใช้ได้อย่างมีประสิทธิภาพสำหรับข้อทฤษฎีของแบบ GARCH อีกวิธีวิธี MCMC

ผลลัพธ์ (ไทย) 2:

โดยปกติแล้วการอนุมาน Bayesian ของรูปแบบ garch จะดำเนินการโดยเฉพาะอย่างยิ่งโดยมาร์คอฟโซ่ Monte Carlo (MCMC)
วิธีการ ในการศึกษานี้เรายังใช้วิธีการทางเลือกในการอนุมาน Bayesian โดยสุ่มตัวอย่างสำคัญ ใช้
นักศึกษาหลายตัวแปรที่แจกแจงที่ใกล้เคียงกับความหนาแน่นหลังของการอนุมาน Bayesian เราเปรียบเทียบประสิทธิภาพ
ของ MCMC และวิธีการสุ่มตัวอย่างสำคัญ ประสิทธิภาพโดยรวมสามารถวัดได้ในแง่ของข้อผิดพลาดทางสถิติ
ที่ได้รับสำหรับขนาดเดียวกันของข้อมูล Monte Carlo ข้อสรุปของรูปแบบคชกรรม garch จะดำเนินการโดย MCMC
วิธีการดำเนินการโดยวิธีนคร-เฮสติ้งส์และวิธีการสุ่มตัวอย่างความสำคัญกับข้อมูลที่ส่งคืนเทียมและ
ข้อมูลที่ส่งคืนหุ้น เราจะพบว่าข้อผิดพลาดทางสถิติของพารามิเตอร์ garch จากการสุ่มตัวอย่างสำคัญมีขนาดเล็กกว่า
หรือใกล้เคียงกับที่ได้จากวิธี MCMC ดังนั้นเราจึงสรุปได้ว่าวิธีการที่สำคัญสามารถเก็บตัวอย่าง
นอกจากนี้ยังถูกนำมาใช้อย่างมีประสิทธิภาพสำหรับการอนุมานแบบเบย์ของรูปแบบ garch เป็นวิธีการทางเลือกที่จะใช้วิธีการ MCMC

ผลลัพธ์ (ไทย) 3:

โดยปกติ การอนุมานแบบเบย์ของแบบจำลองของคือควรดำเนินการโดย Markov Monte Carlo ( MCMC )
วิธี ในการศึกษานี้ เรายังมีทางเลือกในการอนุมานแบบเบย์ โดยความสำคัญของการสุ่มตัวอย่าง การใช้ตัวแปรหลายตัว ทีว่า มีนักศึกษา
ความหนาแน่นที่ด้านหลังของการอนุมานแบบเบย์ เราเปรียบเทียบประสิทธิภาพ
ของ MCMC และความสำคัญ วิธีการสุ่มตัวอย่าง ประสิทธิภาพโดยรวมที่สามารถวัดได้ในแง่ของความคลาดเคลื่อนเชิงสถิติ
รับได้ขนาดเดียวกันของ Monte Carlo ข้อมูล การอนุมานแบบเบย์ของแบบจำลองของจะดําเนินการโดย MCMC
วิธีดำเนินการโดยกรุงเทพมหานคร เฮสติ้ง ขั้นตอนวิธีและความสำคัญโดยวิธีการสุ่มตัวอย่างเพื่อส่งกลับข้อมูลเทียมและ
ข้อมูลหุ้นกลับมาเราพบว่า สถิติของความคลาดเคลื่อนของค่าพารามิเตอร์จากความสำคัญตัวอย่างมีขนาดเล็กกว่า
หรือ เปรียบเทียบกับที่ได้จาก MCMC วิธี ดังนั้นเราจึงสรุปได้ว่า ความสำคัญของการสุ่มตัวอย่างสามารถ
ยังสามารถใช้อย่างมีประสิทธิภาพสำหรับการอนุมานแบบเบย์ของรูปแบบของเป็นวิธีทางเลือกที่จะ MCMC
วิธี