Local Predictability in High Dimensions
高维环境下的局部可预测性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。
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：摘要明确提出时间序列密度预测方法，并应用于季度通胀与日度股票收益预测。
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…
高维环境下的局部可预测性
- 研究问题
- 面对大量可能无关或仅短暂有效的预测信号，如何随时间调整信息使用，兼顾密度预测准确性与计算效率？
- 方法与思路
- 作者先用时变系数模型将信号转为候选密度预测，再通过时变子集组合形成总体密度预测，并采用在线预测和更新。
- 材料陈述的贡献
- 摘要称模拟中预测准确性和计算时间优于所比较基准，并以日度股票总体收益和季度通胀预测展示方法的应用。
- 阅读关注点
- 应核对子集的选择与更新规则、候选密度构造、调参和在线计算成本，以及预测评价是否严格使用样本外信息。
- 阅读边界
- 仅据所给 OpenAlex 摘要版本解读；摘要未说明基准、评分规则和改善数值，不能据此确认普遍预测优势或刊本变化。
原文摘要
We propose a time series forecasting method designed to effectively handle large sets of predictive signals, many of which may be irrelevant or short-lived over time. Our method transforms predictive signals into candidate density forecasts via time-varying coefficient models, and subsequently combines them into an aggregate density forecast via time-varying subset combination. The approach is computationally efficient because it uses online prediction and updating. Through extensive simulation analysis, we find that our approach outperforms competitive benchmark methods in terms of forecast accuracy and computing time. We further demonstrate the capabilities of our method in applications to forecasting aggregate daily stock returns and quarterly inflation.