Forecasting on the Accuracy-Timeliness Frontier: Two Novel `Look Ahead' Predictors
准确性与及时性前沿上的预测：两种新型前瞻预测器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：摘要直接研究预测准确性、及时性前沿和实时信号提取，支持预测与即时预测分类，但未明确涉及资产收益预测。
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…
关注这篇论文的作者
准确性与及时性前沿上的预测：两种新型前瞻预测器
- 研究问题
- 当最小均方误差预测能够跟踪目标水平却滞后于动态变化时，如何同时衡量准确性与领先程度，并刻画二者的权衡？
- 方法与思路
- 作者提出 DFP 与 PCS 两种前瞻框架，用均方误差或相关性衡量准确性、提前程度或相位超前衡量及时性，并给出闭式优化解。
- 材料陈述的贡献
- 摘要称经典均方误差预测是其特例，两种方法刻画完整有效前沿，并在线性预测器的一致性约束下达到领先程度的上界。
- 阅读关注点
- 应核对领先程度和一致性约束的定义、闭式解所需的信息与条件，以及前瞻性质是否能在实际可用信息下实现。
- 阅读边界
- 这是 arXiv 预印本，不能据此确认同行评审或期刊接收；摘要未说明理论假设、应用对象及数值，领先不等于所有预测指标改善。
原文摘要
We re-examine the traditional Mean-Squared Error (MSE) forecasting paradigm by formally integrating an accuracy-timeliness trade-off: accuracy is defined by MSE (or target correlation) and timeliness by advancement (or phase excess). While MSE-optimized predictors are accurate in tracking levels, they sacrifice dynamic lead, causing them to lag behind changing targets. To address this, we introduce two `look-ahead' frameworks--Decoupling-from-Present (DFP) and Peak-Correlation-Shifting (PCS)--and provide closed-form solutions for their optimization. Notably, the classical MSE predictor is shown to be a special case within these frameworks. Dually, our methods achieve maximum advancement for any given accuracy level, so our approach reveals the complete efficient frontier of the accuracy-timeliness trade-off, whereas MSE represents only a single point. We also derive a universal upper bound on lead over MSE for any linear predictor under a consistency constraint and prove that our methods hit this ceiling. We validate this approach through applications in forecasting and real-time signal extraction, introducing a leading-indicator criterion and tailored linear benchmarks.