At-Risk Transformation for U.S. Recession Prediction
用于美国经济衰退预测的“风险状态”变换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：摘要直接研究使用月度宏观与金融变量进行美国经济衰退的样本外预测。
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
用于美国经济衰退预测的“风险状态”变换
- 研究问题
- 研究把连续预测变量转为异常疲弱状态的指示变量，能否提高美国衰退这一稀有事件的样本外预测，尤其是衰退起点预测。
- 方法与思路
- 作者仅用训练数据估计阈值，将预测变量二值化，并利用大型美国月度宏观与金融数据面板比较不同模型的预测表现。
- 材料陈述的贡献
- 摘要称二值化持续改善样本外预测，使线性模型往往可与灵活机器学习方法竞争，且衰退开始附近的收益尤其明显。
- 阅读关注点
- 应核对阈值规则、训练窗口和预测期限，检查实时数据可得性、衰退标签时点、比较指标及不同衰退阶段的稳健性。
- 阅读边界
- 所给版本为 arXiv 预印本，同行评审或期刊接收未核实；摘要未说明阈值细节、样本期间和预测增益，泛化能力无法判断。
原文摘要
We propose a simple binarization of predictors, an "at-risk" transformation, as an alternative to the standard practice of using continuous, standardized variables in recession forecasting models. By converting predictors into indicators of unusually weak states based on a thresholding rule estimated from training data, we demonstrate their ability to capture the discrete nature of rare events such as U.S. recessions. Using a large panel of monthly U.S. macroeconomic and financial data, we show that binarized predictors consistently improve out-of-sample forecasting performance, often making linear models competitive with flexible machine learning methods, and that the gains are particularly pronounced around the onset of recessions.