Model averaging in predictive regressions
预测回归中的模型平均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：摘要核心是预测组合与预测权重选择，并明确应用于股票收益，分别对应预测方法和收益预测。
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
预测回归中的模型平均
- 研究问题
- 给定一组潜在预测变量，如何组合所有可能线性回归模型的预测，并以具有渐近风险依据的准则选择组合权重？
- 方法与思路
- 作者在局部渐近框架下推导最小二乘平均估计量的风险，构造该风险的渐近无偏估计，并据此选择预测权重。
- 材料陈述的贡献
- 摘要称提出了频率学派模型平均准则，模拟中相较若干既有平均方法表现有利，并将其应用于股票收益预测。
- 阅读关注点
- 应核对局部渐近设定、候选模型数量与权重约束，并检查风险准则和股票收益应用所用样本外评价是否一致。
- 阅读边界
- 仅依据所给出版社摘要；摘要未报告风险公式、模拟参数或预测改善幅度，不能将特定比较概括为对所有方法的支配。
原文摘要
In this paper, we consider forecast combination in a predictive regression. We construct the point forecast by combining predictions from all possible linear regression models, given a set of potentially relevant predictors. We derive the asymptotic risk of least‐squares averaging estimators in a local asymptotic framework. We then develop a frequentist model averaging criterion, an asymptotically unbiased estimator of the asymptotic risk, to select forecast weights. Monte Carlo simulations show that our averaging estimator compares favourably with alternative methods, such as weighted AIC, weighted BIC, Mallows model averaging and jackknife model averaging. The proposed method is applied to stock return predictions.