Kernel Three Pass Regression Filter
核三遍回归滤波器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：摘要以高维预测变量的潜在共同因子为基础预测单一时间序列，核心内容直接对应因子模型与预测。
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…
关注这篇论文的作者
核三遍回归滤波器
- 研究问题
- 利用高维预测变量预测单一时间序列时，如何剔除与目标无关的共同因子信息，并容许预测变量对潜在因子的非线性依赖？
- 方法与思路
- 作者将具有监督筛选作用的三遍回归滤波框架扩展为核三遍回归滤波器，以处理非线性依赖，并考察计算及预测表现。
- 材料陈述的贡献
- 摘要称，新估计器具有计算效率，短期预测表现达到或超过既有模型，长期表现改善明显；这些属于摘要报告的经验比较。
- 阅读关注点
- 应核对核映射与监督步骤的构造、因子相关性如何识别，以及预测期限、样本外评估、调参和基准模型设置是否可比。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收均未核实；摘要未提供数据、误差数值或理论条件，无法判断长期改善的范围与稳定性。
原文摘要
We forecast a single time series using a high-dimensional set of predictors. When these predictors share common underlying dynamics, an approximate latent factor model provides a powerful characterization of their co-movements Bai(2003). These latent factors succinctly summarize the data and can also be used for prediction, alleviating the curse of dimensionality in high-dimensional prediction exercises, see Stock & Watson (2002a). However, forecasting using these latent factors suffers from two potential drawbacks. First, not all pervasive factors among the set of predictors may be relevant, and using all of them can lead to inefficient forecasts. The second shortcoming is the assumption of linear dependence of predictors on the underlying factors. The first issue can be addressed by using some form of supervision, which leads to the omission of irrelevant information. One example is the three-pass regression filter proposed by Kelly & Pruitt (2015). We extend their framework to cases where the form of dependence might be nonlinear by developing a new estimator, which we refer to as the Kernel Three-Pass Regression Filter (K3PRF). This alleviates the aforementioned second shortcoming. The estimator is computationally efficient and performs well empirically. The short-term performance matches or exceeds that of established models, while the long-term performance shows significant improvement.