RECURSIVE FORECAST COMBINATION FOR DEPENDENT HETEROGENEOUS DATA
相依异质数据的递归预测组合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。
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：摘要直接研究多个预测的递归组合、损失函数与预测性能界，对应预测方法。
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
相依异质数据的递归预测组合
- 研究问题
- 对于相依且异质的数据序列，如何递归组合多个预测，使组合具有理论性能保证，并允许组合权重随时间变化？
- 方法与思路
- 作者研究递归预测组合程序，在数据序列的尾部条件下，为多种损失函数建立性能界，并将分析扩展到时变组合权重。
- 材料陈述的贡献
- 摘要称，所研究程序具有理论最优表现，结果适用于广泛的损失函数，且相关性能界在组合权重随时间变化时仍成立。
- 阅读关注点
- 应核对最优性的比较基准、尾部条件、递归权重更新规则，以及性能界如何随预测数量、样本长度和权重变化而变化。
- 阅读边界
- 仅依据所给 Crossref 摘要；最优性定义、尾部条件和性能界公式未说明，不能据此声称实际预测优于其他方法或推断版本变化。
原文摘要
This paper studies a procedure to combine individual forecasts that achieve theoretical optimal performance. The results apply to a wide variety of loss functions and only require a tail condition on the data sequences. The theoretical results show that the bounds are also valid in the case of time varying combination weights.