Forecasting low‐frequency macroeconomic events with high‐frequency data
利用高频数据预测低频宏观事件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：摘要研究混频宏观事件概率预测与滤波，应用包括衰退和经济周期峰值。
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
利用高频数据预测低频宏观事件
- 研究问题
- 如何避免先聚合高频指标造成的信息损失，为衰退等低频宏观事件生成更高频的概率预测，并量化预测不确定性？
- 方法与思路
- 作者提出混频方法，生成低频事件的高频概率预测及置信带，以稀有事件预测损失比较单频方法，并运用混频滤波。
- 材料陈述的贡献
- 摘要称，周度期限利差优于月度利差预测衰退，金融变量提供补充信息，周度活动指数可实时识别2020年周期峰值。
- 阅读关注点
- 应核对事件定义、混频信息的对齐与实时可得性、置信带构造，以及稀有事件损失和周期峰值识别的评价方式。
- 阅读边界
- 摘要未说明混频模型形式、区间覆盖率或预测改善数值；这里的高频主要包括周度信息，不能据此推定涉及日内交易数据。
原文摘要
Summary High‐frequency financial and economic indicators are usually time‐aggregated before computing forecasts of macroeconomic events, such as recessions. We propose a mixed‐frequency alternative that delivers high‐frequency probability forecasts (including their confidence bands) for low‐frequency events. The new approach is compared with single‐frequency alternatives using loss functions for rare‐event forecasting. We find (i) the weekly‐sampled term spread improves over the monthly‐sampled to predict NBER recessions, (ii) the predictive content of financial variables is supplementary to economic activity for forecasts of vulnerability events, and (iii) a weekly activity index can date the 2020 business cycle peak in real‐time using a mixed‐frequency filtering.