Complete subset regressions
完全子集回归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：摘要提出通用预测组合方法并明确应用于股票收益预测，支持预测与收益预测两个方向。
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…
完全子集回归
- 研究问题
- 在给定候选预测变量时，能否通过组合所有固定维度的回归模型，调节模型复杂度以改善预测误差的偏差与方差权衡？
- 方法与思路
- 作者固定每个模型包含的预测变量数，组合所有可能的线性子集回归预测，并考察改变该维度带来的误差权衡。
- 材料陈述的贡献
- 摘要称该方法形成类似有效前沿的偏差—方差权衡，并在股票收益应用中比列举的常规组合和估计方法预测更准确。
- 阅读关注点
- 应核对子集维度如何选择、组合权重与计算成本，以及股票收益比较中的样本外设计、调参与误差指标。
- 阅读边界
- 仅据所给出版社摘要，预测优势限于所述应用陈述，幅度和统计证据未说明；有效前沿类比不构成投资建议。
原文摘要
This paper proposes a new method for combining forecasts based on complete subset regressions. For a given set of potential predictor variables we combine forecasts from all possible linear regression models that keep the number of predictors fixed. We explore how the choice of model complexity, as measured by the number of included predictor variables, can be used to trade off the bias and variance of the forecast errors, generating a setup akin to the efficient frontier known from modern portfolio theory. In an application to predictability of stock returns, we find that combinations of subset regressions can produce more accurate forecasts than conventional approaches based on equal-weighted forecasts (which fail to account for the dimensionality of the underlying models), combinations of univariate forecasts, or forecasts generated by methods such as bagging, ridge regression or Bayesian Model Averaging.