Factor-augmented tree ensembles
因子增强的树集成模型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：摘要明确使用潜在因子和时间序列回归树，并研究股票波动与商业周期的关系。
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
因子增强的树集成模型
- 研究问题
- 如何扩展时间序列回归树的信息集，使其利用含测量误差、趋势、季节性或缺失的预测变量，并融入领域理论？
- 方法与思路
- 作者提出用状态空间方法提取潜在平稳因子，再将因子加入时间序列回归树的信息集，构建因子增强的树集成。
- 材料陈述的贡献
- 摘要称该方法扩展了回归树处理复杂预测变量和融入理论的能力，并以美国股票波动与商业周期的领先滞后关系展示应用。
- 阅读关注点
- 应核对状态空间模型如何设定、平稳因子如何识别、理论信息如何进入模型，以及实证比较的基准和验证设计。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实。摘要未说明因子提取条件、预测误差或领先滞后关系的具体结果。
原文摘要
This manuscript proposes to extend the information set of time-series regression trees with latent stationary factors extracted via state-space methods. In doing so, this approach generalises time-series regression trees on two dimensions. First, it allows to handle predictors that exhibit measurement error, non-stationary trends, seasonality and/or irregularities such as missing observations. Second, it gives a transparent way for using domain-specific theory to inform time-series regression trees. Empirically, ensembles of these factor-augmented trees provide a reliable approach for macro-finance problems. This article highlights it focussing on the lead-lag effect between equity volatility and the business cycle in the United States.