Empirical risk minimization for time series: Nonparametric performance bounds for prediction
时间序列的经验风险最小化：预测表现的非参数界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：摘要明确研究单变量时间序列的一步预测及预测算法选择。
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…
时间序列的经验风险最小化：预测表现的非参数界
- 研究问题
- 在不指定预测算法与真实生成机制之间关系的情况下，经验风险最小化能否从递归算法集合中选出渐近预测表现最优的算法？
- 方法与思路
- 作者在位置尺度参数驱动的单变量时间序列框架中，研究依赖滞后预测值和滞后观测值的递归算法的一步预测风险。
- 材料陈述的贡献
- 摘要称，经验风险最小化所选算法渐近达到给定算法集合内可实现的最优预测表现，其比较基准限定于该算法集合。
- 阅读关注点
- 应核对损失函数、时间依赖与尾部条件、候选算法集合的复杂度，以及非参数风险界和渐近最优性的具体数学表述。
- 阅读边界
- 仅依据所给 OpenAlex 摘要；风险界的常数、收敛速度和正则条件未说明，集合内最优不意味着覆盖所有可能的预测方法。
原文摘要
Empirical risk minimization is a standard principle for choosing algorithms in learning theory. In this paper we study the properties of empirical risk minimization for time series. The analysis is carried out in a general framework that covers different types of forecasting applications encountered in the literature. We are concerned with 1-step-ahead prediction of a univariate time series belonging to a class of location-scale parameter-driven processes. A class of recursive algorithms is available to forecast the time series. The algorithms are recursive in the sense that the forecast produced in a given period is a function of the lagged values of the forecast and of the time series. The relationship between the generating mechanism of the time series and the class of algorithms is not specified. Our main result establishes that the algorithm chosen by empirical risk minimization achieves asymptotically the optimal predictive performance that is attainable within the class of algorithms.