Model-free time-aggregated predictions for econometric datasets
计量数据的无模型时间聚合预测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：摘要以金融对数收益平方为预测目标，并比较不同期限的NoVaS与GARCH预测。
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
计量数据的无模型时间聚合预测
- 研究问题
- 现有正态化与方差稳定化方法能否稳健预测长期聚合的金融对数收益平方，更简约的变体能否改善不同期限的预测？
- 方法与思路
- 作者考察现有NoVaS方法的长期时间聚合预测稳健性，提出更简约的变体，并通过系统论证和数据分析比较预测表现。
- 材料陈述的贡献
- 摘要称新方法在短期和长期时间聚合预测中，均优于现有NoVaS与标准GARCH(1,1)，但未报告改善幅度。
- 阅读关注点
- 应核对时间聚合目标的定义、变体具体简化之处、预测生成步骤，以及不同期限的误差指标与样本外比较设计。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收均未核实；摘要未说明理论条件、数据范围或数值结果，“无模型”也不等于无假设。
原文摘要
This article explores the existing normalizing and variance-stabilizing (NoVaS) method on predicting squared log-returns of financial data. First, we explore the robustness of the existing NoVaS method for long-term time-aggregated predictions. Then we develop a more parsimonious variant of the existing method. With systematic justification and extensive data analysis, our new method shows better performance than current NoVaS and standard GARCH(1,1) methods on both short- and long-term time-aggregated predictions.