Adaptive forecasting in the presence of recent and ongoing structural change
近期及持续结构变化下的自适应预测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：摘要明确讨论时间序列预测、持续结构变化，以及宏观序列中的数据降权调参。
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…
近期及持续结构变化下的自适应预测
- 研究问题
- 当时间序列依赖结构及持续变化形式均未知时，如何选择对旧数据的降权程度，以改善结构变化期间的预测？
- 方法与思路
- 作者研究滚动回归、多窗口预测平均和指数加权方法，通过最小化预测均方误差，使数据降权的调参选择依赖数据。
- 材料陈述的贡献
- 摘要称，提供该选择方法的理论分析与模拟，并在97条美国宏观序列上发现数据驱动折扣率的预测表现较好。
- 阅读关注点
- 应核对均方误差如何估计、持续变化的理论条件、调参所用信息集，以及宏观序列评估中的预测期和比较基准。
- 阅读边界
- 仅依据所给出版社摘要，未提供误差改善幅度、完整渐近条件和逐序列结果；不能声称在所有结构变化中均优于替代方法。
原文摘要
We consider time series forecasting in the presence of ongoing structural change where both the time series dependence and the nature of the structural change are unknown. Methods that downweight older data, such as rolling regressions, forecast averaging over different windows and exponentially weighted moving averages, known to be robust to historical structural change, are found also to be useful in the presence of ongoing structural change in the forecast period. A crucial issue is how to select the degree of downweighting, usually defined by an arbitrary tuning parameter. We make this choice data-dependent by minimising the forecast mean square error, and provide a detailed theoretical analysis of our proposal. Monte Carlo results illustrate the methods. We examine their performance on 97 US macro series. Forecasts using data-based tuning of the data discount rate are shown to perform well.