Tail-Aware Density Forecasting of Locally Explosive Time Series: A Neural Network Approach
局部爆炸性时间序列的尾部感知密度预测：神经网络方法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：摘要直接研究混合因果—非因果时间序列模型及其密度预测。
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…
局部爆炸性时间序列的尾部感知密度预测：神经网络方法
- 研究问题
- 如何在计算可行的前提下，为具有局部爆炸性动态的时间序列预测完整密度，并刻画厚尾、偏斜、多峰及延续或崩溃风险？
- 方法与思路
- 作者先估计混合因果—非因果 ARMA 模型，再用偏斜 t 混合密度网络学习预测分布，结合尾部训练权重与事后校准。
- 材料陈述的贡献
- 摘要称两阶段框架兼顾非因果预测的复杂分布形态与计算可行性，模拟和天然气实时应用显示相对既有方法的改善。
- 阅读关注点
- 应核对两阶段估计误差如何传递、尾部权重与校准的设置，以及实时信息集、预测评分和基准方法是否具有可比性。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未获核实；摘要未给出改进数值、评价指标及尾部校准的具体保证。
原文摘要
Mixed causal--noncausal (anticipative) models capture locally explosive dynamics and provide economically meaningful probabilities of continuation and collapse, but forecasting with them remains computationally difficult. We develop a two-stage framework that estimates such an ARMA model and then learns its predictive density using a Mixture Density Network with skewed-t components, tail-aware training weights, and post-hoc calibration. The approach accommodates the heavy tails, asymmetry, and multimodality characteristic of non-causal forecasts while remaining computationally tractable. Monte Carlo experiments and a real-time natural-gas application show substantial improvements over existing density-forecasting methods.