Список проголосовавших за комментарий "anon, про фиттинг без подглядывания:<br/> <br/> <p>Для оценки точности предсказания нужно out-of-sample predictive likelihood p(y[t+1] | y[1:t], θ) t in [1:T].</p><p><br/> Теоретически MCMC может это сделать, практически нет, это потребует полного рефиттинга MCMC для каждой точки из тысяч, что займет месяцы расчетов. MCMC не может эффективно работать как онлайн алгоритм.</p><p><br/> GARCH, Фильтр Калмана, и т.п. — могут, это эффективные алгоритмы для онлайн фильтрации, но они не работают в случае нелинейных моделей со скрытыми состояниями. Для этого нужен Particle Filter.</p><p><br/> Модель SV в MCMC внешне выглядит рекуррентно, якобы последовательно шагая от 1..T, похоже на фильтр. Но<br/> MCMC работает совершенно по другому и делает сглаживание сразу по всем данным. Алгоритм MCMC во время фиттинга<br/> сливает эту рекурсию в единое распределение и рассматривается все точки 1..T одновременно. Т.е. MCMC подглядывает в будущее.</p><p><br/> Строго говоря фильтрация тоже подглядывает в будущее, но только для оценки параметров. Сглаживание подглядывает в будущее и для параметров и для скрытых переменных.</p><p><br/> Чтобы точно расчитать out of sample likelihood нужно: 1) сделать фиттинг модели MCMC используя данные [1: Т] 2) затем взять постериор полученных параметров, выкинув постериор скрытых состояний, и рассчитать последовательно скрытое состояние для каждой точки t in [1:T] через Particle Filter 3) Либо, поскольку Particle Filter сложная вещ и требует много усилий, сделать приближенную оценку через PSIS-LOO, но, он вроде как, плохо работает для экстремальных режимов, и годится только для оценки «в среднем», поэтому эта оценка условна.<br/> <br/> За ваше предложение спасибо, пока обдумываю… чуть позже прокомментирую...</p>"