Double Descent and Benign Overfitting in Macroeconomic Forecasting
宏观预测中的双重下降与良性过拟合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：摘要直接研究宏观点预测，并以潜在因子、精确及近似因子模型和因子结构核为核心，支持预测与因子模型分类。
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…
宏观预测中的双重下降与良性过拟合
- 研究问题
- 潜在因子驱动的宏观数据何时出现双重下降和良性过拟合，维度有限时能否通过合成数据扩充改善点预测？
- 方法与思路
- 作者分析精确与近似因子模型下的良性过拟合条件，从估计因子模型生成合成副本，并研究其与因子结构核岭回归的联系。
- 材料陈述的贡献
- 摘要称，合成扩充策略收敛至因子结构核岭回归，且在美国月度和季度数据中优于所比较的因子预测模型，增益随期限扩大。
- 阅读关注点
- 应核对特异方差分散程度的条件、合成副本生成与极限次序、预测信息集及调参方式，以及各序列和期限的比较设计。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未获核实；摘要未提供增益数值与完整预测协议，不能据此认定对其他数据普遍占优。
原文摘要
We study double descent and benign overfitting in macroeconomic forecasting. We document that double-descent risk curves arise in standard macroeconomic datasets that are driven by a small number of latent factors, and we characterize when the underlying benign-overfitting mechanism holds. The conditions of Bartlett et al. (2020) are satisfied under the exact factor model and can also hold under the more realistic approximate factor model, provided idiosyncratic variances are not too dispersed across series. Because macroeconomic panels have only moderate dimensions, the overparameterization ratio N/T required by the theory is not naturally available. Our solution is to augment the data with synthetic copies from an estimated factor model and we prove that this strategy converges to a kernel ridge regression with a factor-structured kernel. Using monthly (FRED-MD) and quarterly (FRED-QD) US data, the resulting estimator consistently outperforms the Stock-Watson factor model for point forecasting across all series and horizons, with gains that are pervasive, statistically significant, and increasing with the forecast horizon. Our results suggest that benign overfitting, when it works, succeeds because overparameterization implicitly constructs a well-behaved kernel, not because overparameterization is intrinsically desirable.