WIRED: Weighted Adaptive Prediction with Structured Dependence for Probabilistic Multiseries Forecasting
WIRED：结构化依赖下的加权自适应多序列概率预测AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要直接讨论相关时间序列的联合概率预测、依赖结构及滚动预测评估。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
WIRED：结构化依赖下的加权自适应多序列概率预测
- 研究问题
- 如何联合预测多条相关时间序列，并区分边际预测分布的自适应组合与序列间依赖重建各自带来的作用和局限？
- 方法与思路
- 作者组合简单边际分布、基于 CRPS 的自适应混合权重及高斯或 Student t copula，通过模拟、消融和滚动起点评估检验实现。
- 材料陈述的贡献
- 摘要将贡献定位于架构与诊断：基准支持显式依赖建模，但当前 softmax 权重尚不能稳健优于简单 bootstrap 或等权方案。
- 阅读关注点
- 应核对 CRPS 外推和权重更新的具体规则、copula 估计方式、消融对照及滚动预测信息集，判断性能瓶颈如何被定位。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未经核实；结论来自所述模拟与股票市场序列，摘要不支持普遍优越性或其他场景推广。
原文摘要
This paper presents WIRED, an R package algorithm for joint probabilistic forecasting of multiple related time series. WIRED combines a library of simple marginal predictive distributions, CRPS-based adaptive mixture weights, and a Gaussian or Student t copula for cross-series simulation. We evaluate the implementation in a benchmark with four synthetic data-generating processes (DGPs), three forecast horizons, 30 replicates per DGP-horizon pair, nine ablations and external baselines, and a rolling-origin study on the built-in EuStockMarkets data. The central contribution is architectural and diagnostic. WIRED separates adaptive marginal expert aggregation from dependence reconstruction; the benchmark supports explicit dependence modeling, but shows that the current CRPS-extrapolated softmax weighting is not yet robust enough to dominate simpler bootstrap or equal-weight alternatives. The paper therefore identifies a working layer of the design, a bottleneck in the marginal aggregation layer, and a concrete research path for more regularized probabilistic ensemble construction.