Machine Learning Time Series Regressions With an Application to Nowcasting
机器学习时间序列回归及其即时预测应用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：摘要明确研究高维混频时间序列回归，并以美国 GDP 增长即时预测为应用，因此对应时间序列与预测方向。
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…
机器学习时间序列回归及其即时预测应用
- 研究问题
- 面对高维、可能混频且具有时间依赖和厚尾的宏观金融数据，如何利用序列结构进行回归，并用于美国 GDP 增长的即时预测？
- 方法与思路
- 作者采用稀疏组 LASSO 利用时间序列结构，在允许混合过程和重于指数尾部的框架下分析估计误差，并应用于 GDP 即时预测。
- 材料陈述的贡献
- 摘要称建立 oracle 不等式，报告相对非结构化 LASSO 的优势及文本数据的即时预测价值，并提供 midasml R 包实现方法。
- 阅读关注点
- 应核对变量分组与混频信息如何进入回归、混合及尾部条件，以及即时预测的信息集、文本数据处理和样本外比较。
- 阅读边界
- 摘要未说明预测评估窗口、性能差异大小和调参方式；理论界与所述应用表现不足以保证对其他序列或时期同样有效。
原文摘要
This article introduces structured machine learning regressions for high-dimensional time series data potentially sampled at different frequencies. The sparse-group LASSO estimator can take advantage of such time series data structures and outperforms the unstructured LASSO. We establish oracle inequalities for the sparse-group LASSO estimator within a framework that allows for the mixing processes and recognizes that the financial and the macroeconomic data may have heavier than exponential tails. An empirical application to nowcasting US GDP growth indicates that the estimator performs favorably compared to other alternatives and that text data can be a useful addition to more traditional numerical data. Our methodology is implemented in the R package midasml, available from CRAN.