Nonparametric Estimation and Conformal Inference of the Sufficient Forecasting With a Diverging Number of Factors
因子数增长时充分预测的非参数估计与共形推断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：摘要明确研究因子数增长的高维因子表示、充分预测方向与单一时间序列预测，因此归入因子模型与时间序列预测相关方向。
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
因子数增长时充分预测的非参数估计与共形推断
- 研究问题
- 当高维预测变量中的因子数随样本增长时，如何估计充分预测方向与非线性预测函数，并为具有序列依赖的目标时间序列构造预测集？
- 方法与思路
- 作者研究因子、载荷与充分预测方向的渐近行为，用局部线性回归估计预测函数，并构造考虑序列依赖的分布无关共形预测集。
- 材料陈述的贡献
- 摘要称推导了因子、载荷及预测函数的收敛率，刻画预测方向的渐近行为，并讨论与 Fama–MacBeth 回归、偏最小二乘的联系及预测推断。
- 阅读关注点
- 重点核对因子数增长约束、方向识别与局部线性回归条件，尤其确认共形预测集在序列依赖下的覆盖保证是有限样本还是渐近性质。
- 阅读边界
- 摘要未说明序列依赖的具体条件、共形校准方式及覆盖保证的精确形式，也未报告模拟或应用数值，因此难以判断有限样本覆盖与预测精度。
原文摘要
The sufficient forecasting (SF) provides a nonparametric procedure to estimate forecasting indices from high-dimensional predictors to forecast a single time series, allowing for the possibly nonlinear forecasting function. This article studies the asymptotic theory of the SF with a diverging number of factors and develops its predictive inference. First, we revisit the SF and explore its connections to Fama–MacBeth regression and partial least squares. Second, with a diverging number of factors, we derive the rate of convergence of the estimated factors and loadings and characterize the asymptotic behavior of the estimated SF directions. Third, we use the local linear regression to estimate the possibly nonlinear forecasting function and obtain the rate of convergence. Fourth, we construct the distribution-free conformal prediction set for the SF that accounts for the serial dependence. Moreover, we demonstrate the finite-sample performance of the proposed nonparametric estimation and conformal inference in simulation studies and a real application to forecast financial time series.