Benign Overfitting in Economic Forecasting via Noise Regularization
通过噪声正则化实现经济预测中的良性过拟合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：摘要以潜在因子驱动的经济预测为理论背景，并明确应用于宏观变量和美国股权风险溢价预测。
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…
通过噪声正则化实现经济预测中的良性过拟合
- 研究问题
- 在结果与大量预测变量由少数潜在因子驱动时，加入没有预测能力的噪声变量为何可能改善过参数化线性模型的样本外预测？
- 方法与思路
- 作者分析加入噪声预测变量的无岭回归，以设计矩阵特征值收缩解释方差下降，并应用于通胀、GDP 增长和股权风险溢价预测。
- 材料陈述的贡献
- 摘要称该方法在研究条件下达到已知真实因子的理想基准渐近预测精度，无需估计因子或假定强因子，并改善实证预测稳定性。
- 阅读关注点
- 核对因子与维度增长条件、噪声变量的生成和数量选择，以及理想基准比较、变量筛选反例和样本外预测评估方式。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收均未核验；摘要未列出完整渐近条件，不能据此认为任意加入噪声都会改善预测。
原文摘要
This paper studies linear overparameterized models in economic forecasting and highlights that including noise variables (regressors with no predictive power) regularizes the estimator. We consider a setting where both the outcome variable and the high-dimensional predictors are driven by a small number of latent factors, and show that the linear forecast model is dense rather than sparse. It turns out that a ridgeless regression augmented with noise predictors attains the same asymptotic forecast accuracy as an oracle with known true factors, without estimating the factors or assuming them to be strong. The gain comes from shrinkage of the eigenvalues of the design matrix, which reduces the out-of-sample variance. In contrast, perfect variable selection that removes noise variables can worsen forecasts when the number of retained predictors is comparable to the sample size. Empirically, we apply this approach to forecasting U.S. inflation, international GDP growth, and the U.S. equity risk premium, finding that noise regularization improves and stabilizes predictive performance.