DMS, AE, DAA: methods and applications of adaptive time series model selection, ensemble, and financial evaluation
DMS、AE 与 DAA：自适应时间序列模型选择、集成及金融评价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：摘要以金融时间序列的自适应学习和美国市场指数收益预测为直接研究对象。
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
DMS、AE 与 DAA：自适应时间序列模型选择、集成及金融评价
- 研究问题
- 如何随金融时间序列的信息变化调整模型选择与预测集成，并把收益预测结果用于动态资产配置和对冲的情境评价？
- 方法与思路
- 作者提出动态模型选择、自适应集成和动态资产配置三种方法，结合 VIX 与收益率曲线信息预测美国四个指数收益。
- 材料陈述的贡献
- 摘要称相关策略在 2015 年第四季度至 2021 年末的测试期内显著优于仅做多基准，并解释了 2020 年崩盘期间的输出。
- 阅读关注点
- 应核对模型更新与配置规则、训练测试划分和信息时点，并审查交易成本、风险暴露及基准可比性如何影响表现。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核实；摘要未说明成本、统计检验或收益数值，历史比较不能外推到其他时期。
原文摘要
We introduce three adaptive time series learning methods, called Dynamic Model Selection (DMS), Adaptive Ensemble (AE), and Dynamic Asset Allocation (DAA). The methods respectively handle model selection, ensembling, and contextual evaluation in financial time series. Empirically, we use the methods to forecast the returns of four key indices in the US market, incorporating information from the VIX and Yield curves. We present financial applications of the learning results, including fully-automated portfolios and dynamic hedging strategies. The strategies strongly outperform long-only benchmarks over our testing period, spanning from Q4 2015 to the end of 2021. The key outputs of the learning methods are interpreted during the 2020 market crash.