Model-free Asymptotically Best Forecasting of Stationary Economic Time Series
平稳经济时间序列的无模型渐近最优预测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：摘要以平稳经济向量时间序列的多步最小均方误差预测为目标，并采用时间序列非参数方法。
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
平稳经济时间序列的无模型渐近最优预测
- 研究问题
- 给定平稳经济向量时间序列，能否不显式指定数据生成分布，一致估计某个变量在最小均方预测误差意义下的多步最优预测？
- 方法与思路
- 作者将 ARMA 记忆指标方法与适用于时间序列的非参数核回归结合，在该指标上进行回归以估计未来多步预测。
- 材料陈述的贡献
- 摘要称，这一方法可一致估计最小均方误差意义下的最优预测，且无需显式指定数据生成过程的分布。
- 阅读关注点
- 应核对记忆指标如何保留预测信息、平稳性之外的依赖和矩条件，以及核函数、带宽与预测步长对一致性结论的影响。
- 阅读边界
- 仅据所给 Crossref 摘要，无法判断收敛速度或有限样本预测表现；无须显式分布设定不意味着不需要其他统计条件。
原文摘要
Given observations on a stationary economic vector time series process we show that the best h -step ahead forecast (best in the sense of having minimal mean square forecast error) of one of the variables can be consistently estimated by nonparametric regression on an ARMA memory index. Our approach is based on a combination of the ARMA memory index modeling approach of Bierens [7] with a modification to time series of the nonparametric kernel regression approach of Devroye and Wagner [16]. This approach is truly model-free, as no explicit specification of the distribution of the data generating process is needed.