Extending the Scope of Inference About Predictive Ability to Machine Learning Methods
将预测能力推断扩展至机器学习方法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：摘要明确扩展时间序列样本外预测能力推断，并讨论机器学习预测比较。
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
将预测能力推断扩展至机器学习方法
- 研究问题
- 时间序列预测比较的经典样本外推断何时能够用于 LASSO 或深度学习等方法，学习器估计误差与训练测试划分又如何影响有效性？
- 方法与思路
- 作者分析预测损失得分零均值与学习器快速收敛这两项关键性质，研究缺失条件时的估计风险，并通过多类应用和模拟考察推断表现。
- 材料陈述的贡献
- 摘要给出机器学习预测比较的适用条件，建议采用八成训练、两成测试划分，并提出新的样本外鞅差假说检验及汇率应用。
- 阅读关注点
- 应核对得分零均值的含义、快速收敛所需速率、时间依赖条件及划分比例建议的适用范围，尤其查看鞅差检验的原假设与损失选择。
- 阅读边界
- 仅据所给 OpenAlex 版本摘要，不能把八二划分视为普遍最优规则；具体收敛速率、风险界和模拟结果未说明，其他版本变化亦未知。
原文摘要
The use of machine learning methods for predictive purposes has exponentially increased over the past two decades, but uncertainty quantification for predictive comparisons remains challenging and underdeveloped. This article addresses this gap by extending the classic inference theory for predictive ability in time series to modern machine learners, such as Lasso or Deep Learning. We investigate under which conditions such extensions are possible. For standard out-of-sample asymptotic inference to be valid with machine learning, two key properties must hold: (i) a zero-mean condition for the score of the prediction loss function and (ii) a “fast rate” of convergence for the machine learner. Absent any of these conditions, the estimation risk may be unbounded, and inferences invalid and very sensitive to sample splitting. For accurate inferences, we recommend an 80%–20% training-test splitting rule. We illustrate the wide applicability of our results with three applications: high-dimensional time series regressions with Lasso, Deep learning for binary outcomes, and a new out-of-sample test for the Martingale Difference Hypothesis (MDH). The theoretical results are supported by extensive Monte Carlo simulations and an empirical application evaluating the MDH of some major exchange rates.