Dynamic Bayesian predictive synthesis in time series forecasting
时间序列预测中的动态贝叶斯预测综合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：摘要明确研究时间序列密度预测组合，采用动态潜在因子模型并给出宏观预测应用。
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
时间序列预测中的动态贝叶斯预测综合
- 研究问题
- 如何组合多个模型或预测者的密度预测，并随时间适应预测偏差、校准失误和预测来源之间的相互依赖？
- 方法与思路
- 作者基于主体意见分析理论建立贝叶斯密度组合框架，提出动态潜在因子预测综合模型，并通过模拟计算实现。
- 材料陈述的贡献
- 摘要称，新框架涵盖若干已有预测汇总方法，能够动态适应偏差与依赖；宏观应用展示多预测期准确性改善的潜力。
- 阅读关注点
- 应核对预测密度如何进入潜在因子模型、组合参数的动态设定，以及偏差校准、多预测期评价和已有方法的嵌套关系。
- 阅读边界
- 仅据所给出版社摘要，不能把改善潜力视为普遍预测优势；宏观变量、比较基准、样本外设计和准确性数值未说明。
原文摘要
We discuss model and forecast combination in time series forecasting. A foundational Bayesian perspective based on agent opinion analysis theory defines a new framework for density forecast combination, and encompasses several existing forecast pooling methods. We develop a novel class of dynamic latent factor models for time series forecast synthesis; simulation-based computation enables implementation. These models can dynamically adapt to time-varying biases, miscalibration and inter-dependencies among multiple models or forecasters. A macroeconomic forecasting study highlights the dynamic relationships among synthesized forecast densities, as well as the potential for improved forecast accuracy at multiple horizons.