Combined Quantile Forecasting for High-Dimensional Non-Gaussian Data
高维非高斯数据的组合分位数预测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：摘要直接结合高维分位数因子提取与标量目标的组合预测。
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
高维非高斯数据的组合分位数预测
- 研究问题
- 当高维预测变量呈现偏态或厚尾时，如何利用不同分位数层面的因子信息预测标量目标，并组合多个分位数预测？
- 方法与思路
- 作者提取分位数因子，以不同分位数的因子构建预测模型，再按目标变量历史趋势驱动的马尔可夫链权重组合预测值。
- 材料陈述的贡献
- 摘要称方法通过分位数信息处理非高斯特征，模拟及韩国 PM2.5 数据分析显示，其在多数比较情形中优于既有方法。
- 阅读关注点
- 应核对分位数因子的估计及识别、马尔可夫权重生成规则、预测目标和评价指标，以及样本外划分是否避免信息泄漏。
- 阅读边界
- 这是 arXiv 预印本，不能据此确认同行评审或接收。摘要未提供理论保证、比较幅度及失败情形，不能推断普遍优越性。
原文摘要
This study proposes a novel method for forecasting a scalar variable based on high-dimensional predictors that is applicable to various data distributions. In the literature, one of the popular approaches for forecasting with many predictors is to use factor models. However, these traditional methods are ineffective when the data exhibit non-Gaussian characteristics such as skewness or heavy tails. In this study, we newly utilize a quantile factor model to extract quantile factors that describe specific quantiles of the data beyond the mean factor. We then build a quantile-based forecast model using the estimated quantile factors at different quantile levels as predictors. Finally, the predicted values at the various quantile levels are combined into a single forecast as a weighted average with weights determined by a Markov chain based on past trends of the target variable. The main idea of the proposed method is to incorporate a quantile approach to a forecasting method to handle non-Gaussian characteristics effectively. The performance of the proposed method is evaluated through a simulation study and real data analysis of PM2.5 data in South Korea, where the proposed method outperforms other existing methods in most cases.