From the results obtained for the a

From the results obtained for the artificial GARCH data we found that the importance sampling outperforms the
MCMC method implemented by the MH algorithm. We also performed the Bayesian inference for the daily stock
return data of Toshiba Co. and found that the performance of importance sampling is comparable to that of the
MCMC method. Our results might indicate that the performance of two methods depends on the return data we
consider. Since there exists a case that the performance of importance sampling is better than that of the MCMC
method, it is concluded that the importance sampling method can be used as an alternative method to the MCMC
method for the Bayesian inference of the GARCH model.

ผลลัพธ์ (ไทย) 1:

จากผลได้รับข้อมูล GARCH เทียม เราพบว่า การสุ่มตัวอย่างความสำคัญ outperforms
MCMC วิธีดำเนินการ โดยอัลกอริทึม MH เรายังทำข้อทฤษฎีหุ้นทุกวัน
กลับข้อมูลของ บริษัท Toshiba และพบว่าประสิทธิภาพของการสุ่มตัวอย่างความสำคัญเทียบเท่ากับของ
MCMC วิธีการ เรายังอาจแสดงว่า ประสิทธิภาพของวิธีการสองวิธีขึ้นอยู่กับข้อมูลส่งคืนเรา
พิจารณาได้ เนื่องจากมีกรณีประสิทธิภาพของการสุ่มตัวอย่างความสำคัญดีกว่าของ MCMC
วิธี มันจะสรุปว่า สามารถใช้วิธีการสุ่มตัวอย่างความสำคัญอีกวิธีการ MCMC
วิธีการข้อทฤษฎีของแบบ GARCH

ผลลัพธ์ (ไทย) 2:

จากผลที่ได้รับข้อมูล garch เทียมเราพบว่ากลุ่มตัวอย่างมีความสำคัญมีประสิทธิภาพดีกว่า
วิธี MCMC ดำเนินการโดยขั้นตอนวิธี MH นอกจากนี้เรายังดำเนินการอนุมานแบบเบส์สำหรับหุ้นรายวัน
ข้อมูลการกลับมาของโตชิบา บริษัท และพบว่าผลการดำเนินงานที่มีความสำคัญในการสุ่มตัวอย่างเทียบได้กับที่ของ
วิธี MCMC ผลของเราอาจจะแสดงให้เห็นว่าประสิทธิภาพการทำงานของสองวิธีขึ้นอยู่กับข้อมูลที่ส่งคืนที่เรา
พิจารณา เนื่องจากมีกรณีที่มีผลการดำเนินงานที่มีความสำคัญในการสุ่มตัวอย่างจะดีกว่าที่ของ MCMC
วิธีก็สรุปได้ว่าวิธีการที่สำคัญการเก็บตัวอย่างที่สามารถใช้เป็นวิธีการทางเลือกในการ MCMC
วิธีการอนุมานแบบเบย์ของรูปแบบ garch

ผลลัพธ์ (ไทย) 3:

จากผลการศึกษาสำหรับเทียมของข้อมูลเราพบว่า ความสำคัญ ตัวอย่างมีประสิทธิภาพดีกว่า
MCMC วิธีดำเนินการโดยวิธีค่ะ นอกจากนี้เรายังทำการอนุมานคชกรรมสำหรับทุกวัน หุ้น
ส่งกลับข้อมูลของโตชิบา จำกัด พบว่า ประสิทธิภาพของการสุ่มตัวอย่างสำคัญคือเทียบเท่ากับที่ของ
MCMC วิธีผลของเราอาจบ่งชี้ได้ว่า การทำงานของทั้งสองวิธีขึ้นอยู่กับผลตอบแทนข้อมูลเรา
พิจารณา ตั้งแต่มีกรณีว่า ประสิทธิภาพของการสุ่มตัวอย่างสำคัญกว่าของ MCMC
วิธี สรุปได้ว่า ความสำคัญของการสุ่มตัวอย่างสามารถใช้เป็นทางเลือกวิธีการ MCMC
วิธีสำหรับการอนุมานแบบเบย์ของรูปแบบของ .