Bayesian Nonparametric Calibration and Combination of Predictive Distributions
预测分布的贝叶斯非参数校准与组合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。
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：摘要明确将方法应用于标普指数日收益的密度预测，直接支持收益预测分类；厚尾模拟不足以另归金融风险。
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…
预测分布的贝叶斯非参数校准与组合
- 研究问题
- 如何对多个预测分布进行组合和校准，同时考虑参数不确定性与候选模型集合不完整，并改善预测密度的刻画？
- 方法与思路
- 作者采用随机校准泛函与随机组合权重，以无限 beta 混合和 Dirichlet 过程混合调整线性组合分布，并通过抽样推断。
- 材料陈述的贡献
- 摘要称在独立同分布及马尔可夫观测的部分条件下，校准密度具有后验弱一致性，并用于标普收益与机场风速密度预测。
- 阅读关注点
- 应核对弱后验一致性的条件、校准泛函和组合权重的约束，以及厚尾、多峰模拟和收益密度预测中的比较设计。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；摘要未给出一致性条件或应用改善幅度，不能将渐近校准解释为有限样本预测保证。
原文摘要
We introduce a Bayesian approach to predictive density calibration and combination that accounts for parameter uncertainty and model set incompleteness through the use of random calibration functionals and random combination weights. Building on the work of Ranjan and Gneiting, we use infinite beta mixtures for the calibration. The proposed Bayesian nonparametric approach takes advantage of the flexibility of Dirichlet process mixtures to achieve any continuous deformation of linearly combined predictive distributions. The inference procedure is based on combination Gibbs and slice sampling. We provide some conditions under which the proposed probabilistic calibration converges in terms of weak posterior consistency to the true underlying density for both cases of iid and Markovian observations. This calibration property improves upon the earlier calibration approaches. We study the methodology in simulation examples with fat tails and multimodal densities and apply it to density forecasts of daily S&P returns and daily maximum wind speed at the Frankfurt airport. Supplementary materials for this article are available online.