Time series quantile regression using random forests
使用随机森林的时间序列分位数回归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：摘要直接研究时间序列条件分位数估计，对应时间序列及分位数方向。
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…
使用随机森林的时间序列分位数回归
- 研究问题
- 如何将广义随机森林用于存在时间依赖的数据，估计条件分位数，并建立相应估计量的一致性？摘要还考察其风险刻画表现。
- 方法与思路
- 作者将广义随机森林的一致性分析扩展至时间序列，结合时间序列与树结构假设，并通过模拟及日经指数数据评估条件分位数估计。
- 材料陈述的贡献
- 摘要称证明了时间序列分位数森林估计量的一致性，并报告其在日经指数应用中对波动更敏感；具体比较结果和幅度未说明。
- 阅读关注点
- 应核对时间依赖及树构造的具体条件、一致性的含义与证明，并检查分位数精度指标、比较方法及风险低估的评价方式。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未获核验；摘要未给出完整假设和数值证据，不能据此确认普遍的风险管理优势。
原文摘要
We discuss an application of Generalized Random Forests (GRF) proposed by Athey et al.(2019) to quantile regression for time series data. We extracted the theoretical results of the GRF consistency for i.i.d. data to time series data. In particular, in the main theorem, based only on the general assumptions for time series data in Davis and Nielsen (2020), and trees in Athey et al.(2019), we show that the tsQRF (time series Quantile Regression Forests) estimator is consistent. Davis and Nielsen (2020) also discussed the estimation problem using Random Forests (RF) for time series data, but the construction procedure of the RF treated by the GRF is essentially different, and different ideas are used throughout the theoretical proof. In addition, a simulation and real data analysis were conducted.In the simulation, the accuracy of the conditional quantile estimation was evaluated under time series models. In the real data using the Nikkei Stock Average, our estimator is demonstrated to be more sensitive than the others in terms of volatility, thus preventing underestimation of risk.