Quantifying the Risk-Return Tradeoff in Forecasting
量化预测中的风险—收益权衡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：摘要明确应用于美国宏观经济预测及预测评价，金融风险指标在此作为评价工具使用。
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…
关注这篇论文的作者
量化预测中的风险—收益权衡
- 研究问题
- 预测模型平均误差较小是否意味着表现可靠，如何同时评价相对基准的预测改进、灾难性失败风险及独特的信息贡献？
- 方法与思路
- 作者将相对基准的预测损失差视作收益序列，采用夏普、索提诺、Omega 与回撤指标，并提出衡量独特预测信息的 Edge Ratio。
- 材料陈述的贡献
- 摘要称，美国宏观预测中超越专业预测者的平均准确率比风险调整表现更容易，并展示特定机器学习方法及跨目标评估的应用。
- 阅读关注点
- 应核对损失差的方向和尺度、风险指标与 Edge Ratio 的定义，以及预测窗口、基准选择和跨目标汇总对比较结果的影响。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未获核实；摘要未列预测样本和具体指标数值，专业判断的解释也仅被表述为可能原因。
原文摘要
Average forecast accuracy is not the same as forecast reliability. I treat forecast loss differentials relative to a benchmark as a return series. I then evaluate these returns using risk-adjusted performance measures from finance, including the Sharpe ratio, Sortino ratio, Omega ratio, and drawdown-based metrics. I also introduce the Edge Ratio capturing a model's propensity to deliver uniquely informative predictions relative to the forecasting frontier. I apply this framework to U.S. macroeconomic forecasting, comparing econometric benchmarks, machine learning models, a foundation model (TabPFN), and the Survey of Professional Forecasters. While it is often feasible to beat professional forecasters in terms of average accuracy, it is much harder to beat them on a risk-adjusted basis. They rarely exhibit catastrophic failures and often achieve high Edge Ratios, plausibly reflecting the value of contextual judgment. Nonetheless, selected machine learning methods deliver attractive risk profiles for specific targets. The framework naturally extends to meta-analyses across targets, horizons, and samples, illustrated with a density forecast evaluation and the M4 competition.