Machine Learning for Financial Forecasting, Planning and Analysis: Recent Developments and Pitfalls
财务预测、规划与分析中的机器学习：近期进展与陷阱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：摘要明确讨论资源规划中的因果推断及双重机器学习；财务管理预测未指向资产收益，故仅选因果推断。
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
财务预测、规划与分析中的机器学习：近期进展与陷阱
- 研究问题
- 机器学习在财务预测与资源规划中分别能解决什么问题，为什么面向预测的常规方法在因果决策任务中可能失效？
- 方法与思路
- 作者综述财务预测、规划与分析中的机器学习文献，以模拟展示预测和规划的不同需求，并讨论双重机器学习。
- 材料陈述的贡献
- 摘要强调将预测方法直接用于规划的陷阱，介绍双重机器学习处理因果问题的可能性，并考察数据量增加的影响。
- 阅读关注点
- 应核对规划目标如何转化为因果估计对象、模拟中的识别设定，以及双重机器学习实现和样本量比较的评价标准。
- 阅读边界
- 这是arXiv预印本，同行评审与期刊接收未核实；摘要未给出识别条件与模拟结果，财务预测也不等同于资产收益预测。
原文摘要
This article is an introduction to machine learning for financial forecasting, planning and analysis (FP\&A). Machine learning appears well suited to support FP\&A with the highly automated extraction of information from large amounts of data. However, because most traditional machine learning techniques focus on forecasting (prediction), we discuss the particular care that must be taken to avoid the pitfalls of using them for planning and resource allocation (causal inference). While the naive application of machine learning usually fails in this context, the recently developed double machine learning framework can address causal questions of interest. We review the current literature on machine learning in FP\&A and illustrate in a simulation study how machine learning can be used for both forecasting and planning. We also investigate how forecasting and planning improve as the number of data points increases.