Combining Forecasts under Structural Breaks Using Graphical LASSO
利用图形 LASSO 在结构突变下组合预测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：摘要明确结合宏观预测、预测误差的共同因子结构和结构突变，分别对应预测、因子模型与结构变化。
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
利用图形 LASSO 在结构突变下组合预测
- 研究问题
- 研究当预测者共享信息且预测误差关系随环境变化时，如何组合大量预测，并允许组合权重适应结构突变。
- 方法与思路
- 作者先用因子图形 LASSO 分离共同与特有误差，再允许因子载荷及特有误差精度矩阵依状态变化，并以 ADMM 求解。
- 材料陈述的贡献
- 摘要称提出可扩展的状态依赖预测组合方法，并在欧洲央行专业预测者调查的宏观序列预测中展示优于比较方案的表现。
- 阅读关注点
- 应核对状态或断点如何确定、因子数与稀疏惩罚如何选择，以及实证是否采用严格样本外评估和可比预测信息集。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核实；摘要未说明断点处理细节或具体精度增益，不能据此确认普遍预测优势。
原文摘要
In this paper we develop a novel method of combining many forecasts based on a machine learning algorithm called Graphical LASSO (GL). We visualize forecast errors from different forecasters as a network of interacting entities and generalize network inference in the presence of common factor structure and structural breaks. First, we note that forecasters often use common information and hence make common mistakes, which makes the forecast errors exhibit common factor structures. We use the Factor Graphical LASSO (FGL, Lee and Seregina (2023)) to separate common forecast errors from the idiosyncratic errors and exploit sparsity of the precision matrix of the latter. Second, since the network of experts changes over time as a response to unstable environments such as recessions, it is unreasonable to assume constant forecast combination weights. Hence, we propose Regime-Dependent Factor Graphical LASSO (RD-FGL) that allows factor loadings and idiosyncratic precision matrix to be regime-dependent. We develop its scalable implementation using the Alternating Direction Method of Multipliers (ADMM) to estimate regime-dependent forecast combination weights. The empirical application to forecasting macroeconomic series using the data of the European Central Bank's Survey of Professional Forecasters (ECB SPF) demonstrates superior performance of a combined forecast using FGL and RD-FGL.