Overparametrized models with posterior drift
后验漂移下的过度参数化模型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：摘要明确研究股票溢价预测，并关注训练与测试样本间载荷变化及状态变迁。
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
后验漂移下的过度参数化模型
- 研究问题
- 当数据生成过程的载荷在训练期和测试期之间变化时，过度参数化模型的样本外预测及股票市场择时表现如何受影响？
- 方法与思路
- 作者考察载荷变化下的预测损失，并在股票溢价预测中比较不同子时期及控制模型复杂度的带宽，分析长期持有收益的差异。
- 材料陈述的贡献
- 摘要称择时表现对时期与带宽敏感；较小带宽对应更异质的十五年持有收益，较大带宽结果更一致，但风险调整收益吸引力较弱。
- 阅读关注点
- 应核对后验漂移和带宽的正式定义、训练测试划分、择时规则，以及收益比较是否计入交易成本和预测模型选择的不确定性。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未给模型细节和收益数值，其市场应用结论不能推广到所有复杂预测模型。
原文摘要
This paper investigates the impact of posterior drift on out-of-sample forecasting accuracy in overparametrized machine learning models. We document the loss in performance when the loadings of the data generating process change between the training and testing samples. This matters crucially in settings in which regime changes are likely to occur, for instance, in financial markets. Applied to equity premium forecasting, our results underline the sensitivity of a market timing strategy to sub-periods and to the bandwidth parameters that control the complexity of the model. For the average investor, we find that focusing on holding periods of 15 years can generate very heterogeneous returns, especially for small bandwidths. Large bandwidths yield much more consistent outcomes, but are far less appealing from a risk-adjusted return standpoint. All in all, our findings tend to recommend cautiousness when resorting to large linear models for stock market predictions.