Macroeconomic Forecasting and Machine Learning
宏观经济预测与机器学习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：摘要直接预测宏观经济结果的完整条件分布，并强调实时预测和样本外验证；金融变量在此作为预测输入，不构成资产定价研究。
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…
宏观经济预测与机器学习
- 研究问题
- 如何利用大量宏观和金融预测变量实时预测宏观结果的完整条件分布，并辨别正则化、非线性与样本外验证各自的作用？
- 方法与思路
- 作者系统结合高维预测变量、收缩正则化、非线性建模和样本外验证，以预测宏观结果的整个条件分布并选择模型结构。
- 材料陈述的贡献
- 摘要称收缩对控制模型复杂度至关重要，非线性带来的预测准确性改善有限，而样本外验证有助于选择模型结构和防止过拟合。
- 阅读关注点
- 应核对预测目标、实时信息集与数据修订处理，检查分布预测评分、验证窗口和模型选择流程是否避免信息泄漏并支持比较结论。
- 阅读边界
- 这是arXiv预印本，不能据此确认同行评审或期刊接收；摘要未列出数据、模型和误差幅度，不能将非线性收益有限视为普遍规律。
原文摘要
We forecast the full conditional distribution of macroeconomic outcomes by systematically integrating three key principles: using high-dimensional data with appropriate regularization, adopting rigorous out-of-sample validation procedures, and incorporating nonlinearities. By exploiting the rich information embedded in a large set of macroeconomic and financial predictors, we produce accurate predictions of the entire profile of macroeconomic risk in real time. Our findings show that regularization via shrinkage is essential to control model complexity, while introducing nonlinearities yields limited improvements in predictive accuracy. Out-of-sample validation plays a critical role in selecting model architecture and preventing overfitting.