Better the devil you know: Improved forecasts from imperfect models
利用已知但不完善的模型改进预测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：摘要直接研究样本外预测改进，并明确列出波动率预测和风险管理应用。
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
利用已知但不完善的模型改进预测
- 研究问题
- 当参数预测模型已有较好表现但存在误设时，能否利用与误设相关的状态变量调整参数估计，从而改进样本外预测？
- 方法与思路
- 作者提出利用状态变量信息的局部 M 估计，涵盖局部 OLS 与局部 MLE，并分析适用预测环境及四项实证应用。
- 材料陈述的贡献
- 摘要称，理论讨论了相对标准方法可能改善预测的环境，并在波动率预测、风险管理和收益率曲线等应用中报告显著改善。
- 阅读关注点
- 应核对状态变量如何刻画误设、局部估计的权重与调参方式，以及样本外评估、比较基准和各应用的预测损失定义。
- 阅读边界
- 仅依据所给 RePEc 出版社摘要；改善成立的具体条件、预测增益数值和第四项应用未说明，不能视为对任意误设模型的保证。
原文摘要
Many important economic decisions are based on a parametric forecasting model that is known to be good but imperfect. We propose methods to improve out-of-sample forecasts from a misspecified model by estimating its parameters using a form of local M estimation (thereby nesting local OLS and local MLE), drawing on information from a state variable that is correlated with the misspecification of the model. We theoretically consider the forecast environments in which our approach is likely to offer improvements over standard methods, and we find significant forecast improvements from applying the proposed method across four distinct empirical analyses including volatility forecasting, risk management, and yield curve forecasting.