The Accuracy Smoothness Dilemma in Prediction: a Novel Multivariate M-SSA Forecast Approach
预测中的准确性与平滑性困境：多变量 M-SSA 方法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：摘要直接讨论多变量时间序列预测、即时预测与信号提取，对应预测和时间序列。
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
预测中的准确性与平滑性困境：多变量 M-SSA 方法
- 研究问题
- 预测如何同时兼顾均方误差、方向判断准确性与预测符号变化频率，并利用多个时间序列之间的信息协调这些目标？
- 方法与思路
- 作者将 Smooth Sign Accuracy 准则扩展为多变量 M-SSA，纳入多个序列的横截面信息，并讨论预测、即时信号提取和平滑。
- 材料陈述的贡献
- 摘要称，多变量准则推广了仅以均方误差为核心的评价方式，可整合准确性与平滑性相关目标，并以三类案例展示适用性。
- 阅读关注点
- 应核对准则的数学定义、各目标权重与优化方式，以及案例中的样本外评价、实时信息约束和准确性与平滑性权衡。
- 阅读边界
- 依据 arXiv 预印本摘要，同行评审或接收未核实；目标权重、案例数据和量化表现未说明，不能据此认定预测全面更优。
原文摘要
Forecasting presents a complex estimation challenge, as it involves balancing multiple, often conflicting, priorities and objectives. Conventional forecast optimization methods typically emphasize a single metric--such as minimizing the mean squared error (MSE)--which may neglect other crucial aspects of predictive performance. To address this limitation, the recently developed Smooth Sign Accuracy (SSA) framework extends the traditional MSE approach by simultaneously accounting for sign accuracy, MSE, and the frequency of sign changes in the predictor. This addresses a fundamental trade-off--the so-called accuracy-smoothness (AS) dilemma--in prediction. We extend this approach to the multivariate M-SSA, leveraging the original criterion to incorporate cross-sectional information across multiple time series. As a result, the M-SSA criterion enables the integration of various design objectives related to AS forecasting performance, effectively generalizing conventional MSE-based metrics. To demonstrate its practical applicability and versatility, we explore the application of the M-SSA in three primary domains: forecasting, real-time signal extraction (nowcasting), and smoothing. These case studies illustrate the framework's capacity to adapt to different contexts while effectively managing inherent trade-offs in predictive modelling.