Nowcasting using regression on signatures
利用路径签名回归进行即时预测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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要研究序列数据的即时预测，并直接应用于GDP增长和失业率等宏观变量。
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…
利用路径签名回归进行即时预测
- 研究问题
- 如何利用序列数据的路径几何信息进行即时预测，并在混合频率、缺失观测和数据序列受扰动时维持预测表现？
- 方法与思路
- 作者将观测嵌入连续时间路径，以路径签名作为回归特征，并通过理论、模拟以及美国GDP和英国失业率应用评估方法。
- 材料陈述的贡献
- 摘要称签名回归涵盖线性Kalman滤波并保有一致性，对数据中断更稳健，且在两项宏观即时预测应用中表现良好。
- 阅读关注点
- 核对路径构造、签名截断和回归设定，检查涵盖Kalman滤波及一致性的条件，以及缺失数据处理与实时评估方式。
- 阅读边界
- 这是arXiv预印本，同行评审或期刊接收未核实；摘要未说明稳健性比较的基准、样本划分及预测改善的具体幅度。 复核沿用经核验的旧摘要解读，未重新调用模型或阅读新版全文。
原文摘要
We introduce a new method of nowcasting using regression on path signatures. Path signatures capture the geometric properties of sequential data. Because signatures embed observations in continuous time, they naturally handle mixed frequencies and missing data. We prove theoretically, and demonstrate with simulations, that regression on signatures both subsumes the linear Kalman filter and has desirable consistency properties. Nowcasting with signatures is more robust to disruptions in data series than previous methods, making it useful in stressed times (for example, during COVID-19). This approach is performant in nowcasting US GDP growth, and in nowcasting UK unemployment.