Wasserstein Exponential Smoothing for Distributional Time Series Forecasting
用于分布时间序列预测的 Wasserstein 指数平滑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：摘要研究分布时间序列预测，并明确使用高频股指收益分布作为应用。
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…
用于分布时间序列预测的 Wasserstein 指数平滑
- 研究问题
- 当每期观测都是概率分布而非标量时，如何保留指数平滑的递归简便性，直接预测经验分布并避免参数化密度建模？
- 方法与思路
- 作者沿 Wasserstein 测地线更新预测分布，以样本内 Wasserstein 预测损失选择单一平滑参数，并研究其一致性。
- 材料陈述的贡献
- 摘要称，在分布局部水平过程下建立一致性；所述二十条应用序列中，该法一步预测误差最低且均进入模型置信集合。
- 阅读关注点
- 核对分布局部水平过程的假设、经验分布构造与参数选择，以及预测评估划分、损失度量和模型置信集合的实施。
- 阅读边界
- 所据为 arXiv 预印本，同行评审或期刊接收未经核实；优势仅在所述序列、期距和损失下报告，不能推广为普遍预测优越性。
原文摘要
Distributional time series arise when each temporal observation is a probability distribution rather than a scalar. We propose Wasserstein exponential smoothing (WES), a one-parameter recursive forecasting method for distributional time series on $\mathbb{R}$. The method adapts the practical logic of classical exponential smoothing to probability distributions by updating forecast distributions along Wasserstein geodesics. This yields a simple filter that can be applied directly to empirical distributions without parametric density modeling. We estimate the smoothing parameter by minimizing an in-sample Wasserstein prediction loss and establish consistency under a distributional local-level data-generating process. In applications to high-frequency equity-index return distributions and household electricity-demand distributions, WES attains the lowest one-step-ahead Wasserstein prediction error among existing distributional autoregressive and regression-based benchmarks for all $20$ series considered, and is retained in the $90\%$ model confidence set in every case.