Macroeconomic forecast accuracy in a data‐rich environment
数据丰富环境中的宏观经济预测精度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：摘要明确比较宏观经济序列的预测，并讨论标普500指数收益的短期可预测性，直接对应宏观预测与收益预测。
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…
数据丰富环境中的宏观经济预测精度
- 研究问题
- 数据丰富环境中，不同模型预测宏观变量与股票指数收益的表现如何，正则化与模型平均能否改善预测，优势是否随期限和时间变化？
- 方法与思路
- 作者在广泛的伪样本外练习中比较六类预测模型，提出结合正则化与模型平均的RDRMA，并考察不同经济序列与预测期限。
- 材料陈述的贡献
- 摘要称RDRMA对实际变量预测表现最佳、在较长期限的通胀变化预测中占优，且能预测短期股指收益；预测表现与最优方程结构随时间不稳定。
- 阅读关注点
- 核对数据区间、预测窗口、六类模型的调参规则及模型平均权重，并检查不同变量和期限的误差指标、显著性与表现随时间的变化。
- 阅读边界
- 摘要未说明数据区间、调参细节或预测差异的统计显著性；相对表现与收益可预测性均是作者在特定比较中的报告，不能直接外推。
原文摘要
Summary The performance of six classes of models in forecasting different types of economic series is evaluated in an extensive pseudo out‐of‐sample exercise. One of these forecasting models, regularized data‐rich model averaging (RDRMA), is new in the literature. The findings can be summarized in four points. First, RDRMA is difficult to beat in general and generates the best forecasts for real variables. This performance is attributed to the combination of regularization and model averaging, and it confirms that a smart handling of large data sets can lead to substantial improvements over univariate approaches. Second, the ARMA(1,1) model emerges as the best to forecast inflation changes in the short run, while RDRMA dominates at longer horizons. Third, the returns on the S&P 500 index are predictable by RDRMA at short horizons. Finally, the forecast accuracy and the optimal structure of the forecasting equations are quite unstable over time.