Panel data nowcasting: The case of price–earnings ratios
面板数据即时预测：市盈率案例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：摘要明确使用大量企业的混频面板数据及结构化面板回归，直接对应面板数据，未说明股票收益预测。
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…
面板数据即时预测：市盈率案例
- 研究问题
- 如何利用大量企业及不同采样频率的宏观、金融和新闻序列开展企业盈利即时预测，并利用数据的面板与混频结构？
- 方法与思路
- 作者采用结构化机器学习回归，重点使用稀疏组LASSO正则化，以利用混频时间序列面板结构进行企业盈利即时预测。
- 材料陈述的贡献
- 摘要称，所提面板回归模型在经验分析中优于分析师预测、预测组合、企业单独时间序列回归和标准机器学习方法。
- 阅读关注点
- 应核对企业盈利预测如何转化为市盈率分析、混频数据对齐与发布时间、分组方式、调参程序及各比较模型的信息集。
- 阅读边界
- 仅据所给 Crossref 摘要，预测期、评价指标与改进幅度未说明；题名涉及市盈率，摘要主要描述盈利预测，二者联系需核对。
原文摘要
Abstract The paper uses structured machine learning regressions for nowcasting with panel data consisting of series sampled at different frequencies. Motivated by the problem of predicting corporate earnings for a large cross‐section of firms with macroeconomic, financial, and news time series sampled at different frequencies, we focus on the sparse‐group LASSO regularization which can take advantage of the mixed‐frequency time series panel data structures. Our empirical results show the superior performance of our machine learning panel data regression models over analysts' predictions, forecast combinations, firm‐specific time series regression models, and standard machine learning methods.