Robust forecast combinations
稳健预测组合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：摘要明确以经济等领域的预测异常值和预测组合为研究对象，直接对应预测方法，但未提供收益预测的专门依据。
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
稳健预测组合
- 研究问题
- 当候选预测中经常出现异常值时，如何降低其对组合预测的影响，并在无异常值时维持与原有组合算法相近的表现？
- 方法与思路
- 作者在 AFTER 算法基础上提出两种稳健组合方法，通过稳健损失函数减弱异常值影响，并研究部分版本的预言不等式。
- 材料陈述的贡献
- 摘要称，部分方法具有相对最佳单个预测的理论界；模拟和数据示例显示，有异常值时优于 AFTER，无异常值时表现相近。
- 阅读关注点
- 应核对稳健损失与权重更新规则、预言不等式的条件和余项，以及异常值设定、预测期和比较方法是否充分覆盖。
- 阅读边界
- 仅据所给出版社摘要，不能把理论界理解为每次预测都优于最佳候选；性能结论依赖具体实验，条件与数值未展开。
原文摘要
Forecast outliers commonly occur in economic, financial, and other areas of forecasting applications. In the literature of forecast combinations, there have been only a few studies exploring how to deal with outliers. In this work, we propose two robust combining methods based on the AFTER algorithm (Yang, 2004a). Our approach utilizes robust loss functions in order to reduce the influence of outliers. Oracle inequalities for certain versions of these methods are obtained, which show that the combined forecasts automatically perform as well as the best individual among the pool of original forecasts. Systematic simulations and data examples show that the robust methods outperform the AFTER algorithm when outliers are likely to occur and perform on par with AFTER when there are no outliers. Comparison of the robust AFTERs with some commonly used combining methods also shows their potential advantages.