From Many Models, One: Macroeconomic Forecasting with Reservoir Ensembles
从多模型到一个预测：基于储备池集成的宏观预测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：题名与摘要明确研究宏观时间序列预测，并分析依赖数据中的在线模型集成，直接支持宏观预测和时间序列分类。
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…
从多模型到一个预测：基于储备池集成的宏观预测
- 研究问题
- 对多频率回声状态网络进行在线集成，能否改善宏观时间序列预测，并在数据存在依赖时保留在线学习保证？
- 方法与思路
- 作者研究多频率回声状态网络的集成，讨论 Hedge 与 Follow-the-Leader 方案，将其在线学习保证扩展到依赖数据。
- 材料陈述的贡献
- 摘要称在理论上扩展相关集成学习保证，并在宏观实证应用中发现集成回声状态网络相对单个网络的预测表现显著改善。
- 阅读关注点
- 应核对数据依赖条件、损失函数与学习保证形式，以及成员模型生成、在线权重更新和样本外预测比较的设计。
- 阅读边界
- 所据为 arXiv 预印本摘要，同行评审及期刊接收未核实；具体预测变量、时期、增益和保证条件未说明，不能确认普遍优势。
原文摘要
Model combination is a powerful approach for achieving superior performance compared to selecting a single model. We study both theoretically and empirically the effectiveness of ensembles of Multi-Frequency Echo State Networks (MFESNs), which have been shown to achieve state-of-the-art macroeconomic time series forecasting results (Ballarin et al., 2024a). The Hedge and Follow-the-Leader schemes are discussed, and their online learning guarantees are extended to settings with dependent data. In empirical applications, the proposed Ensemble Echo State Networks demonstrate significantly improved predictive performance relative to individual MFESN models.