Nowcasting with Mixed Frequency Data Using Gaussian Processes
利用高斯过程处理混频数据的即时预测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。
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：摘要明确针对混频宏观数据开展即时与短期预测，并应用于美国季度产出增长和 GDP 平减指数通胀。
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…
利用高斯过程处理混频数据的即时预测
- 研究问题
- 在宏观预测变量频率不一致且数量较多时，如何同时处理频率匹配与非线性关系，改善产出增长和通胀的短期预测？
- 方法与思路
- 作者将高斯过程用于贝叶斯 MIDAS 回归，借助结构化与非结构化变体压缩输入，并用模拟及美国季度宏观数据评估。
- 材料陈述的贡献
- 摘要称多种 GP-MIDAS 规格能够较高效地利用宏观大数据，并在多个预测维度上相较其他机器学习方法提高准确度。
- 阅读关注点
- 应核对混频压缩方案、核函数与先验、即时预测信息集和数据发布时点，以及不同预测期限的精度与计算成本比较。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未给出性能增幅、具体基准或实时数据处理细节，优势范围待核对。
原文摘要
We develop Bayesian machine learning methods for mixed data sampling (MIDAS) regressions. This involves handling frequency mismatches and specifying functional relationships between many predictors and the dependent variable. We use Gaussian processes (GPs) and compress the input space with structured and unstructured MIDAS variants. This yields several versions of GP-MIDAS with distinct properties and implications, which we evaluate in short-horizon now- and forecasting exercises with both simulated data and data on quarterly US output growth and inflation in the GDP deflator. It turns out that our proposed framework leverages macroeconomic Big Data in a computationally efficient way and offers gains in predictive accuracy compared to other machine learning approaches along several dimensions.