Extending the Scope of Inference About Predictive Ability to Machine Learning Methods
将预测能力推断拓展至机器学习方法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：摘要核心是时间序列样本外预测能力比较及其对机器学习方法的推断扩展。
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…
关注这篇论文的作者
将预测能力推断拓展至机器学习方法
- 研究问题
- 经典时间序列预测能力比较的样本外推断，在何种条件下可以用于 Lasso、深度学习等方法，并避免训练误差污染推断？
- 方法与思路
- 作者分析预测损失得分零均值与学习器快速收敛两项条件，并在高维回归、二元结果和鞅差假设检验中展示其应用。
- 材料陈述的贡献
- 摘要称缺少任一关键条件可能导致估计风险无界和推断失效，并建议采用八成训练、两成测试的划分，辅以模拟和汇率应用。
- 阅读关注点
- 应核对零均值得分的准确含义、快速收敛的速率要求、时间依赖下的划分方式，以及八二划分建议适用的范围。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未给出完整条件和比较数值，不能把八二划分视为所有学习器的通用最优规则。
原文摘要
The use of machine learning methods for predictive purposes has increased dramatically over the past two decades, but uncertainty quantification for predictive comparisons remains elusive. This paper addresses this gap by extending the classic inference theory for predictive ability in time series to modern machine learners, such as the Lasso or Deep Learning. We investigate under which conditions such extensions are possible. For standard out-of-sample asymptotic inference to be valid with machine learning, two key properties must hold: (I) a zero-mean condition for the score of the prediction loss function and (ii) a "fast rate" of convergence for the machine learner. Absent any of these conditions, the estimation risk may be unbounded, and inferences invalid and very sensitive to sample splitting. For accurate inferences, we recommend an 80%-20% training-test splitting rule. We illustrate the wide applicability of our results with three applications: high-dimensional time series regressions with the Lasso, Deep learning for binary outcomes, and a new out-of-sample test for the Martingale Difference Hypothesis (MDH). The theoretical results are supported by extensive Monte Carlo simulations and an empirical application evaluating the MDH of some major exchange rates at daily and higher frequencies.