Newest papers

Regime Detection in Latent Factor Models -- A Bayesian Decision-Theoretic Approach

Karl Kristian Engelund · 2026 · arXiv (Cornell University)

DOI: 10.48550/arxiv.2610.20366 · cited by 0 works (OpenAlex) · open-access PDF

Korean

정권 스위치의 다중 요소 모델은 양적 금융에서 널리 사용되지만 필터링 자체는 에이전트가 추정 정권 변화에 행동해야 할 때를 결정하지 않는다. 우리는 온라인 정권 감지와 숨겨진 정권을 거짓 경보, 탐지 지연 및 잘못 분류를 균형 잡는 바이에시아 결정 문제로 형성합니다. 후기 정권 확률은 일반적으로 마르코비안이 아니기 때문에 문제는 측정된 최적 정지 문제로 표현되며 몬테 카를로 역동적 프로그래밍을 사용하여 입자 필터링을 사용하여 대략화됩니다. 단일 교환점 헤스턴 모델은 기준을 제공합니다. 관찰 된 변수와 함께 문제는 2 차원 마르코프 자유 경계 문제로 줄어들며, 변수

Machine translation (Meta M2M100); the English original follows.

Abstract

Regime-switching multi-factor models are widely used in quantitative finance, but filtering does not by itself determine when an agent should act on inferred regime changes. We formulate online regime detection with latent factors and hidden regimes as a Bayesian decision problem balancing false alarms, detection delay, and misclassification. Since posterior regime probabilities are generally non-Markovian, the problem is represented as a measure-valued optimal stopping problem and approximated using particle filtering with Monte Carlo dynamic programming. A single-change-point Heston model provides a benchmark. With observed variance, the problem reduces to a two-dimensional Markov free-boundary problem, while under latent variance decisions are based on the filtered posterior measure. Numerical experiments in Heston and regime-switching Vasicek models show that the latent-information procedure can outperform feasible plug-in rules.

Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese

Topics: Particle filter, Bayesian probability, Markov chain Monte Carlo, Monte Carlo method, Variance (accounting), Computer science

Sources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange