Weather Forecasting for Weather Derivatives
面向天气衍生品的天气预测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。
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：摘要明确涉及气温时间序列、长期预测密度及天气衍生品定价，分别对应三个方向。
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
面向天气衍生品的天气预测
- 研究问题
- 美国城市日均气温的时间序列建模与预测，能否为天气衍生品参与者提供有用信息，尤其是定价所需的长期预测密度？
- 方法与思路
- 作者采用时间序列方法分析日均气温的条件均值和条件方差动态，并比较气温本身与气温意外变动的分布。
- 材料陈述的贡献
- 摘要称，气温存在明显的条件方差动态，其分布与意外变动分布差异显著；作者认为该方法有望支持长期预测密度构造。
- 阅读关注点
- 应核对均值和方差模型、气温意外变动的定义、长期预测密度的生成与验证，以及天气衍生品定价如何使用这些密度。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；长期预测密度的定价用途属于作者提出的前景，摘要未给出定价或预测误差结果。
原文摘要
We take a simple time series approach to modeling and forecasting daily average temperature in U.S. cities, and we inquire systematically as to whether it may prove useful from the vantage point of participants in the weather derivatives market. The answer is, perhaps surprisingly, yes. Time series modeling reveals conditional mean dynamics and, crucially, strong conditional variance dynamics in daily average temperature, and it reveals sharp differences between the distribution of temperature and the distribution of temperature surprises. As we argue, it also holds promise for producing the long-horizon predictive densities crucial for pricing weather derivatives, so that additional inquiry into time series weather forecasting methods will likely prove useful in weather derivatives contexts.