Bayesian Imputation with Optimal Look-Ahead-Bias and Variance Tradeoff
平衡前视偏差与方差的贝叶斯缺失值填补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：摘要直接研究按时间揭示信息的序列缺失值填补，因此归入时间序列；组合配置应用尚不足以归入资产定价。
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…
平衡前视偏差与方差的贝叶斯缺失值填补
- 研究问题
- 时间序列缺失值填补中，如何权衡使用全样本带来的前视偏差与仅使用训练样本导致的较大方差，并改善下游决策？
- 方法与思路
- 作者按信息揭示时间融合多个后验，构造贝叶斯共识后验，并基于 KL 散度和 Wasserstein 距离推导两步优化程序。
- 材料陈述的贡献
- 摘要称，所提程序能够优化填补中的方差与前视偏差权衡，并通过模拟及缺失收益下的投资组合配置应用展示其收益。
- 阅读关注点
- 应核对前视偏差的形式化定义、后验所用的信息集及优化目标，并检查组合配置评估是否严格遵守样本外时间顺序。
- 阅读边界
- 所给版本为 arXiv 预印本，同行评审及接收未核实；摘要未说明缺失机制、最优性的约束范围或应用收益的数值幅度。
原文摘要
Missing time-series data is a prevalent problem in many prescriptive analytics models in operations management, healthcare and finance. Imputation methods for time-series data are usually applied to the full panel data with the purpose of training a prescriptive model for a downstream out-of-sample task. For example, the imputation of missing asset returns may be applied before estimating an optimal portfolio allocation. However, this practice can result in a look-ahead-bias in the future performance of the downstream task, and there is an inherent trade-off between the look-ahead-bias of using the entire data set for imputation and the larger variance of using only the training portion of the data set for imputation. By connecting layers of information revealed in time, we propose a Bayesian consensus posterior that fuses an arbitrary number of posteriors to optimize the variance and look-ahead-bias trade-off in the imputation. We derive tractable two-step optimization procedures for finding the optimal consensus posterior, with Kullback-Leibler divergence and Wasserstein distance as the dissimilarity measure between posterior distributions. We demonstrate in simulations and in an empirical study the benefit of our imputation mechanism for portfolio allocation with missing returns.