A flexible predictive density combination for large financial data sets in regular and crisis periods
常态与危机时期大型金融数据集的灵活预测密度组合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：摘要明确以美国股票收益预测密度及其组合为对象，但未明确研究尾部或系统性风险。
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…
常态与危机时期大型金融数据集的灵活预测密度组合
- 研究问题
- 面对大量金融预测密度及可能不完整的候选模型集合，如何构造动态组合，在常态与危机时期改善预测和不确定性评估？
- 方法与思路
- 作者通过包含学习机制的降维配置预测密度与权重，以扩展非线性状态空间表示模型，并结合动态聚类、非线性滤波和 GPU 贝叶斯计算。
- 材料陈述的贡献
- 摘要称，包含新冠危机的美国股票日收益应用揭示动态群组、权重与模型集合不完整性的信号，并据此提高预测准确性和风险评估能力。
- 阅读关注点
- 应核对模型集合不完整性如何表示、聚类与权重如何更新，以及预测密度评价标准、危机样本划分和计算效率的比较依据。
- 阅读边界
- 仅依据所给 OpenAlex 摘要，模型细节、比较基准与改善幅度均未说明；不能据此验证普遍优势，也不能推断其他版本或刊本变化。
原文摘要
A flexible predictive density combination is introduced for large financial data sets which allows for model set incompleteness. Dimension reduction procedures that include learning allocate the large sets of predictive densities and combination weights to relatively small subsets. Given the representation of the probability model in extended nonlinear state-space form, efficient simulation-based Bayesian inference is proposed using parallel dynamic clustering as well as nonlinear filtering, implemented on graphics processing units. The approach is applied to combine predictive densities based on a large number of individual US stock returns of daily observations over a period that includes the Covid-19 crisis period. Evidence on dynamic cluster composition, weight patterns and model set incompleteness gives valuable signals for improved modelling. This enables higher predictive accuracy and better assessment of uncertainty and risk for investment fund management.