Panel Data Nowcasting: The Case of Price-Earnings Ratios
面板数据即时预测：以市盈率为例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：摘要明确使用企业横截面的混频面板回归进行即时预测，分别对应面板数据与预测方向。
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…
面板数据即时预测：以市盈率为例
- 研究问题
- 如何结合不同采样频率的宏观、金融和新闻序列，对大量企业的盈利进行即时预测，并利用企业面板中的共同结构？
- 方法与思路
- 作者使用结构化机器学习面板回归，重点采用稀疏组 LASSO 正则化，以适应混频时间序列和面板数据的结构。
- 材料陈述的贡献
- 摘要称其面板机器学习回归在实证中优于分析师预测、预测组合、企业单独时间序列回归及标准机器学习方法。
- 阅读关注点
- 应核对题名中的市盈率与摘要中盈利预测的关系、混频信息的发布时间、面板结构设定，以及预测比较的样本外设计。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实。摘要未说明样本、预测期限、误差指标和优势幅度，也不能确认实时信息是否严格可得。
原文摘要
The paper uses structured machine learning regressions for nowcasting with panel data consisting of series sampled at different frequencies. Motivated by the problem of predicting corporate earnings for a large cross-section of firms with macroeconomic, financial, and news time series sampled at different frequencies, we focus on the sparse-group LASSO regularization which can take advantage of the mixed frequency time series panel data structures. Our empirical results show the superior performance of our machine learning panel data regression models over analysts' predictions, forecast combinations, firm-specific time series regression models, and standard machine learning methods.