Infinite Markov pooling of predictive distributions
预测分布的无限马尔可夫汇合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：摘要核心是预测密度组合，并明确包含资产定价模型应用，支持预测方法和资产定价两个方向。
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
预测分布的无限马尔可夫汇合
- 研究问题
- 如何以非参数方式合并多个预测密度，使权重既能表示静态组合，也能随潜在状态变化，并适用于金融和经济预测？
- 方法与思路
- 作者分别对组合权重设置狄利克雷过程先验和层级狄利克雷过程先验，后者允许权重沿无限隐马尔可夫链变化，并研究 MCMC 推断。
- 材料陈述的贡献
- 摘要称，这些方法将静态线性汇合和动态预测汇合推广至非参数框架，并在短期利率、已实现协方差及资产定价模型应用中表现良好。
- 阅读关注点
- 应核对权重先验、潜在状态转换和密度校准的具体构造，以及不同应用中的预测评分、比较基准与后验计算效率。
- 阅读边界
- 摘要未提供预测改进的幅度、评价样本或先验敏感性，也未说明状态变化的经济解释；只能据所给版本理解其应用结论。
原文摘要
This paper introduces novel approaches to forecast pooling methods based on a nonparametric prior for a weight vector combining predictive densities. The first approach places a Dirichlet process prior on the weight vector and generalizes the static linear pool. The second approach uses a hierarchical Dirichlet process prior to allow the weight vector to follow an infinite hidden Markov chain. This generalizes dynamic prediction pools to the nonparametric setting. Efficient posterior simulation based on MCMC methods is also examined. Detailed applications to short-term interest rates, realized covariance matrices and asset pricing models demonstrate that the nonparametric pool forecasts well. The paper concludes with extensions and an application for calibrating and combining predictive densities.