Forecast Selection in Unstable Environments
不稳定环境中的预测选择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：摘要利用预测损失差的时间序列性质进行样本外选择，并应用于通胀预测。
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
不稳定环境中的预测选择
- 研究问题
- 当预测环境随时间变化时，如何利用历史预测损失差的时间序列特征，预测未来相对表现并据此进行考虑抽样不确定性的样本外选择？
- 方法与思路
- 作者预测未来损失差的条件分布，允许预测环境具有随时间变化的不稳定性，并建立分布理论量化预测的不确定性，再构造选择规则。
- 材料陈述的贡献
- 摘要提出基于损失差条件分布的预测选择方法，并通过模拟和通胀预测应用展示其效能，以及实现所称二阶预测目标的潜力。
- 阅读关注点
- 应核对不稳定性的建模方式、条件分布预测及分布理论的假设，并查明二阶预测目标的定义、选择规则和与常用基准比较的标准。
- 阅读边界
- 所给 OpenAlex 版本摘要未说明不稳定机制、二阶目标含义或改进幅度；不能据此判断所有结构变化下均有效，也不能推断后续刊本变化。
原文摘要
This paper leverages the time-series properties of forecast loss differences for out-of-sample forecast selection. Our framework predicts the conditional distribution of future loss differences while accommodating for time-contingent unstable forecasting environments. We establish distributional theory to quantify the sampling uncertainty of our predictions, enabling the development of advanced selection rules. Through simulations and an empirical application to inflation forecasting, we demonstrate the efficacy of our selection methodology and the potential for our advanced selection rules to achieve second-order forecasting objectives.