Conditional Regime Analog Forecasting with Trajectories: A Nonparametric Framework for Multivariate Probabilistic
基于条件状态与轨迹类比的多变量概率预测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。
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：摘要直接提出多变量时间序列的多期限概率预测框架，对应预测与时间序列方法。
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
基于条件状态与轨迹类比的多变量概率预测
- 研究问题
- 如何利用历史轨迹及反复出现的状态，对多变量时间序列生成概率预测，并保留变量间和多个预测期限之间的依赖关系？
- 方法与思路
- CRAFT 用奇异值分解、变点分段和聚类提取前后向轨迹状态，再按条件状态对应关系及轨迹相似性抽取完整未来路径。
- 材料陈述的贡献
- 摘要称，该非参数框架通过完整路径重抽样保留经验依赖结构，并提供估计程序、诊断及与多类预测方法比较的模拟基准。
- 阅读关注点
- 应核对状态学习和兼容性评分的定义、预测时可用信息的边界，以及模拟比较中的调参、样本划分和概率预测评价指标。
- 阅读边界
- 所据为 arXiv 预印本，不能确认同行评审或期刊接收；摘要未报告比较结果、预测校准保证或历史状态向未来迁移的条件。
原文摘要
We propose Conditional Regime Analog Forecasting with Trajectories (CRAFT), a nonparametric framework for multivariate probabilistic time-series prediction. The method constructs paired backward and forward trajectory profiles from cumulative multi-horizon returns, learns recurrent low-dimensional regime labels in both spaces using singular value decomposition, change-point segmentation, and segment clustering, and estimates a backward-to-forward conditional regime correspondence. Forecast distributions are obtained by sampling historically realized future trajectory profiles according to a composite compatibility score that combines future-regime correspondence with similarity to the current backward trajectory profile. Unlike parametric vector autoregressions or Gaussian state-space models, CRAFT preserves empirical cross-sectional and multi-horizon dependence by resampling complete future paths. We describe the estimator, its diagnostics, and a reproducible simulation benchmark comparing CRAFT with direct analog resampling, SVD analogs, unconditional bootstrap, OLS VAR bootstrap, and random-forest forecasts.