OFTER: An Online Pipeline for Time Series Forecasting
OFTER：用于时间序列预测的在线流程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：摘要明确研究多变量时间序列的在线预测；虽提及日度股票预测，却未说明是否预测收益，故仅选择时间序列与预测。
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…
OFTER：用于时间序列预测的在线流程
- 研究问题
- 针对中等规模多变量时间序列，如何构建兼具在线更新、可解释性与计算效率的预测流程，并适应低信噪比金融场景？
- 方法与思路
- 作者结合近邻法、广义回归神经网络和降维，并用修改后的最大相关系数构造加权范数，以缓解高维预测困难。
- 材料陈述的贡献
- 摘要称 OFTER 在若干基准比较中表现更好，适合在线和低信噪比任务，并展示传统非参数工具组合的竞争力。
- 阅读关注点
- 应核对在线更新机制、降维和距离权重的学习方式，以及基准预测对象、时间切分、误差指标与计算效率的测量方法。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未经核实；摘要未明确股票预测变量及改进数值，不能由预测表现推出投资收益。
原文摘要
We introduce OFTER, a time series forecasting pipeline tailored for mid-sized multivariate time series. OFTER utilizes the non-parametric models of k-nearest neighbors and Generalized Regression Neural Networks, integrated with a dimensionality reduction component. To circumvent the curse of dimensionality, we employ a weighted norm based on a modified version of the maximal correlation coefficient. The pipeline we introduce is specifically designed for online tasks, has an interpretable output, and is able to outperform several state-of-the art baselines. The computational efficacy of the algorithm, its online nature, and its ability to operate in low signal-to-noise regimes, render OFTER an ideal approach for financial multivariate time series problems, such as daily equity forecasting. Our work demonstrates that while deep learning models hold significant promise for time series forecasting, traditional methods carefully integrating mainstream tools remain very competitive alternatives with the added benefits of scalability and interpretability.