大森は、平均にボラティリティ項が存在する確率的ボラティリティ(SV)モデルのための、効率的なマルコフ連鎖モンテカルロ（MCMC)法による推定方法を開発した。また多変量多値データのためのランダム回答法のための推定方法を提案した。高橋・大森・渡部は、裾が厚く左右非対称な3つの分布を収益率分布に適用することで実現SVモデルを拡張し、株価指数データを用いた実証分析において、他のモデルと比較して金融リスクの予測精度が優れていることを示した。渡部は、日次RVの変動を表す時系列モデルとして、長期記憶性とラフ性を加味したモデルとMCMCを用いたベイズ推定法を提案し、日米の株価指数を用いてボラティリティの予測精度が改善することを示した。
<BR>
石原は、ファクターとその高頻度データから計算される実現共分散を用いた多変量SVモデルにする研究を行った。因子構造を利用することで任意の高次元のデータに応用できるモデルを提案し，その予測精度を調査した。國濱は、独立多項分布のディリクレ過程混合分布に基づく質的変数の統計モデリングに関して、変数間の相関構造の推定精度に関する評価分析を行った。実証データとして大規模社会調査データを用い、変数の次元が比較的低い場合には良好な推定が得られる一方、変数が増えるにつれて推定精度が低下する傾向があるという分析結果を得た。
<BR>
黒瀬は、SVモデルにおいて日中取引価格レンジの情報を同時に組み込む拡張や、結果として現れる複雑な非線形モデルの効率的なベイズ統計的推測手法の開発を行った。山内は、ベイズ分位点回帰モデルを応答変数が離散変数の場合に拡張し， カウントデータに対するリスク評価手法として提案した。粟屋は、ベイズ統計におけるノンパラメトリックモデルを用いた分布推定の手法開発を行った。データの分布を推定する効率的なアルゴリズムを開発した。

時系列データにおける構造変化の推定を目的として、2通りのアプローチに取り組んだ。1つ目は、「二標本の密度比推定」と呼ばれる統計的問題に対して新たな手法を提案するものである。この推定法は、時系列データにおける変化点の検知に用いられる主要な手法の一つである。今回のアプローチでは、従来は回帰分析など他の分析課題に用いられてきたノンパラメトリックモデルを、異なる枠組みである二標本問題に応用すべく修正し、複数のデータ分布の違いを柔軟かつ効率的に推定可能なモデルおよび計算アルゴリズムを構築した。この研究については、統計学関連連合大会をはじめ、複数の学会やセミナーにおいて発表を行った。研究成果をまとめた論文は現在執筆中であり、2025年度中に国内外の学会で発表・議論を行い内容のブラッシュアップを図った上で、国際学術誌への投稿を予定している。2つ目のアプローチでは、構造変化を直接モデル化する手法に取り組んだ。従来、経済構造を表現するパラメータは全期間を通じて一定と仮定されることが多いが、経済構造の変化が継続的に生じる経済時系列において、この仮定は必ずしも妥当とは言えない。そこで、経済構造の変化を捉えるため、パラメータの値自体に新たな時系列構造を導入することにより、構造変化を定量的に推定するモデルを提案した。この研究に関しては、ベイズ統計サマーシンポジウムにて発表を行った。今後、この成果も2025年度中に論文としてまとめ、投稿を行う予定である。