Predictive Macro-Finance With Dynamic Partition Models
利用动态分割模型进行宏观金融预测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：摘要明确研究利率时间序列预测、随机变点及其与宏观经济活动的联系。
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…
利用动态分割模型进行宏观金融预测
- 研究问题
- 如何用允许变点数量随机变化的模型预测利率期限结构，并考察模型状态信息是否能够领先反映经济活动变化？
- 方法与思路
- 作者提出连接宏观变量与利率期限结构的动态乘积分割模型，使用粒子学习估计潜在状态，并构造贝叶斯因子序列。
- 材料陈述的贡献
- 摘要称模型在历史数据中识别出衰退等变化，贝叶斯因子具有领先指标潜力，且不同期限利率的样本内外预测较稳健。
- 阅读关注点
- 应核对变点与状态设定、粒子学习实现、贝叶斯因子的构造，以及 Granger 检验和样本外预测的比较基准。
- 阅读边界
- OpenAlex 索引摘要未注明稿件版本。Granger 检验不等于结构因果识别；摘要未说明预测误差数值或领先指标的稳定性。
原文摘要
Dynamic partition models are used to predict movements in the term structure of interest rates. This allows one to understand historic cycles in the performance of how interest rates behave, and to offer policy makers guidance regarding future expectations on their evolution. Our approach allows for a random number of possible change points in the term structure of interest rates. We use particle learning to learn about the unobserved state variables in a new class of dynamic product partition models that relate macro-variables to term structures. The empirical results, using data from 1970 to 2000, clearly identifies some of the key shocks to the economy, such as recessions. We construct a time series of Bayes factors that, surprisingly, could serve as a leading indicator of economic activity, validated via a Granger causality test. Finally, the in-sample and out-of-sample forecasts from our model are quite robust regardless of the time to maturity of interest rates.