Target alignment, dilution and forecast selection when cross-sectional forecasts share a common target
共享横截面预测目标时的目标对齐、稀释与预测者选择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：摘要将预测组合选择应用于美国股票排序预测和 ETF 排序信号，直接涉及金融预测。
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
共享横截面预测目标时的目标对齐、稀释与预测者选择
- 研究问题
- 多名预测者对同一横截面目标评分时，如何区分有效互补与组合稀释，避免把预测误差相关性误当作有益的多样性？
- 方法与思路
- 作者将标准化预测精确分解为与共同目标对齐和不相关的部分，据此分析等权组合及新增预测者收益，并制定谨慎选择规则。
- 材料陈述的贡献
- 摘要称新增预测者收益可分为真实改善与稀释；模拟和金融排序应用中选择减少多数稀释损失，但组合未胜过无信息预测。
- 阅读关注点
- 应核对标准化和无信息基准的定义、选择规则是否使用样本外信息，以及真实改善与稀释的分解如何用于实际预测筛选。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或期刊接收；摘要未说明选择阈值与完整评估协议，也未报告组合获得基准优势。
原文摘要
Forecasters often score the same units per date against one standardized realized outcome. We show that every standardized forecast splits exactly into a component aligned with this common target and a component uncorrelated with it. Three consequences follow: forecast-error correlation largely mirrors forecast correlation and is therefore a poor measure of diversity; an equally weighted combination beats a no-information forecast only when average alignment is large relative to the combination's dispersion; and the gain from adding a forecaster separates into genuine improvement and mere dilution, which equal-weight admission can mistakenly reward. We develop a cautious selection rule, study it in simulations, and apply it to language-model forecasts of US equity rankings and mechanical signals ranking exchange-traded funds. Selection removes most dilution losses, but no combination beats the no-information forecast.