Dynamic Bayesian regression quantile synthesis for forecasting outlook-at-risk
用于风险前景预测的动态贝叶斯回归分位数合成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：摘要明确研究通胀与GDP增长分位数预测，并使用时变潜在因子合成结构。
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…
用于风险前景预测的动态贝叶斯回归分位数合成
- 研究问题
- 如何整合多个模型提供的分位数信息，预测通胀和经济增长的条件分位数，并利用跨序列依赖应对经济压力时期？
- 方法与思路
- 作者以非对称拉普拉斯合成函数构建动态分位数模型，再引入时变潜在因子权重扩展至多变量，并开发MCMC算法。
- 材料陈述的贡献
- 摘要称方法扩展了主要关注均值的贝叶斯预测合成框架；通胀和全球增长应用显示分位数预测改善及压力期适应能力。
- 阅读关注点
- 应核对非对称拉普拉斯设定与目标分位数的关系、因子权重识别、后验计算，以及预测比较的基准和样本外设计。
- 阅读边界
- 这是预印本，同行评审及期刊接收未核实；摘要未提供评分数值和比较细节，不能确认优势是否跨分位数与时期稳定。
原文摘要
This paper proposes dynamic Bayesian regression quantile synthesis (DRQS), a novel method for quantile forecasting within the Bayesian predictive synthesis (BPS) framework designed to combine quantile-specific information from multiple agent models. While existing BPS approaches primarily focus on mean forecasting, our method directly targets the conditional quantiles of the response variable by utilizing the asymmetric Laplace distribution for the synthesis function. The resulting framework can be interpreted as a dynamic quantile linear model with latent predictors. We extend the univariate DRQS to a multivariate setting-factor DRQS (FDRQS)-by introducing a time-varying latent factor structure for the synthesis weights. This allows the model to leverage cross-sectional dependencies and shared information across multiple time series simultaneously. We develop an efficient Markov chain Monte Carlo (MCMC) algorithm for posterior inference, utilizing data augmentation and forward-filtering backward-sampling. Empirical applications to US inflation and global GDP growth demonstrate the improved performance of the proposed methods for quantile forecasting. In particular, FDRQS exhibits superior resilience during periods of extreme economic stress, such as the COVID-19 pandemic, by adaptively rebalancing agent contributions and capturing emergent global dependencies.