Generative Predictive Distributions for Time Series
时间序列的生成式预测分布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：摘要明确估计时间序列预测分布，并计算风险价值、预期损失及联合尾部风险，支持时间序列、预测和金融风险分类。
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
时间序列的生成式预测分布
- 研究问题
- 如何灵活估计非线性、可能多变量的时间序列预测分布，并通过模拟计算条件矩、风险指标及联合尾部概率？
- 方法与思路
- 作者以测度概率中的生成表示为基础，用条件生成对抗网络估计预测分布，并将估计写为极小极大问题分析其近似解。
- 材料陈述的贡献
- 摘要称在弱时间依赖下建立近似解的 Hausdorff 距离一致性，并以股票收益、已实现方差与协方差展示经验应用。
- 阅读关注点
- 应核对生成表示、弱依赖及模型复杂度条件，辨明一致性针对的集合对象，并检查尾部风险校准与训练稳定性。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未报告预测优势或尾部精度，约一分钟的耗时仅对应文中应用。
原文摘要
We propose a flexible framework for modeling the predictive distributions of nonlinear, possibly multivariate time series. Our approach expresses a general predictive distribution in an appropriate generative representation that is based on a folklore result from measure theoretic probability. This representation provides a direct simulation-based approximation to the predictive distribution, enabling straightforward computation of forecasts for the conditional mean and variance, fan charts, value at risk, expected shortfall, joint tail risks, and other quantities of interest. We estimate this generative representation using a version of conditional generative adversarial networks and provide a formal statistical analysis of estimation under weak temporal dependence. Specifically, estimation is expressed as a particular minimax problem and we establish consistency of its approximate solutions in Hausdorff distance. The empirical relevance of the approach is illustrated using applications to equity returns, realized variance, and realized covariances. The proposed method is also computationally manageable, with estimation in our applications taking approximately one minute on a standard laptop.