Dynamic Chain Graph Models for Financial Time Series Networks: a Bayesian approach (2024)
- Authors:
- Autor USP: MIRANDA NETO, MILTON - Interinstitucional de Pós-Graduação em Estatística
- Unidade: Interinstitucional de Pós-Graduação em Estatística
- Sigla do Departamento: SME
- DOI: 10.11606/T.104.2024.tde-23092024-104613
- Subjects: ANÁLISE DE SÉRIES TEMPORAIS; MÉTODOS PROBABILÍSTICOS; INFERÊNCIA BAYESIANA; ESTATÍSTICA; MODELOS PARA PROCESSOS ESTOCÁSTICOS
- Keywords: Dynamic models; Hierarchical models; Modelos dinâmicos; Modelos gráficos probabilisticos; Modelos hierárquicos; Probabilistic graphical models; Time series
- Agências de fomento:
- Language: Inglês
- Abstract: Vetores de séries temporais com alta dimensionalidade são cada mais frequentes em diversos campos de pesquisa, como neurociência e fluxo de veículos. Embora esse montante de dados tenha apresentado um crescente nos últimos anos, as metodologia estatística tradicionais para análise de séries temporais não são capazes de modelar adequadamente todo esse volume de informação, pois, em geral, os modelos possuem um número de parâmetros da ordem de O(d^[2]), sendo d a dimensão do conjunto de dados. Esta dificuldade torna a modelagem conjunta da séries computacionalmente custosa e, assim, infactível, levando muitos pesquisadores a modelagem univariada das séries, descartando a estrutura de dependência do vetor. Neste trabalho, propomos o Modelo Linear Dinâmico Hierárquico de Grafos em Cadeia, o qual é capaz de modelar um vetor de séries temporais conjuntamente sem um número excessivo de parâmetros e com estrutura de paralelização, o que o torna computacionalmente muito eficiente. Este modelo generaliza o Modelo Linear Dinâmico de Grafos em Cadeia, pois permite introduzir níveis hierárquicos de dependência entre o vetor de espaço de estados enquanto mantém a modularização do problema.
- Imprenta:
- Publisher place: São Carlos
- Date published: 2024
- Data da defesa: 16.07.2024
- Este periódico é de acesso aberto
- Este artigo é de acesso aberto
- URL de acesso aberto
- Cor do Acesso Aberto: gold
- Licença: cc-by-nc-sa
-
ABNT
MIRANDA NETO, Milton. Dynamic Chain Graph Models for Financial Time Series Networks: a Bayesian approach. 2024. Tese (Doutorado) – Universidade de São Paulo, São Carlos, 2024. Disponível em: https://www.teses.usp.br/teses/disponiveis/104/104131/tde-23092024-104613/. Acesso em: 27 dez. 2025. -
APA
Miranda Neto, M. (2024). Dynamic Chain Graph Models for Financial Time Series Networks: a Bayesian approach (Tese (Doutorado). Universidade de São Paulo, São Carlos. Recuperado de https://www.teses.usp.br/teses/disponiveis/104/104131/tde-23092024-104613/ -
NLM
Miranda Neto M. Dynamic Chain Graph Models for Financial Time Series Networks: a Bayesian approach [Internet]. 2024 ;[citado 2025 dez. 27 ] Available from: https://www.teses.usp.br/teses/disponiveis/104/104131/tde-23092024-104613/ -
Vancouver
Miranda Neto M. Dynamic Chain Graph Models for Financial Time Series Networks: a Bayesian approach [Internet]. 2024 ;[citado 2025 dez. 27 ] Available from: https://www.teses.usp.br/teses/disponiveis/104/104131/tde-23092024-104613/ - Abordagem de martingais para análise assintótica do passeio aleatório do elefante
- O modelo de regressão Lindley ponderado com precisão variando: estimação, modelagem e seus diagnósticos
- Weighted Lindley regression model with varying precision: estimation, modeling and its diagnostics
- Classificação de defeito em lotes numa indústria farmacêutica: uma abordagem prática com aprendizado de máquina em processos de qualidade
- Conceptual framework for tinnitus: a cognitive model in practice
- Identification and classification of online shopping products into categories for fraud prevention
- Previsão de short squeezes com aprendizado incremental: um modelo ajustado ano a ano
- Um relato sobre aplicações da metodologia de aprendizagem baseada em problemas em uma turma de calouros do curso de ciência de dados do ICMC-USP
Informações sobre o DOI: 10.11606/T.104.2024.tde-23092024-104613 (Fonte: oaDOI API)
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
