Corrected Forecast Combinations
经过误差修正的组合预测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：摘要研究宏观指标组合预测，并利用预测误差的时间序列依赖进行修正。
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
经过误差修正的组合预测
- 研究问题
- 组合预测误差具有序列相关时，能否利用已观测的过去误差改善下一期预测，并缓解最优权重组合的样本外表现问题？
- 方法与思路
- 作者在组合预测中加入滞后误差的一定比例，以条件风险分解解释修正，并通过 GLS 联合估计权重与误差协方差。
- 材料陈述的贡献
- 摘要称专业预测者调查中的简约修正常改善预测精度，但收益随信息陈旧而减弱，并可提升最优权重组合的竞争力。
- 阅读关注点
- 应核对预测时点可获得的误差信息、修正系数与协方差估计方式，以及样本外评价和不同预测期限的结果。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核实；摘要中的系数建议来自特定宏观预测样本，不能视作通用最优值。
原文摘要
This paper proposes corrected forecast combinations when the original combined forecast errors are serially dependent. Motivated by the classic Bates and Granger (1969) example, we show that combined forecast errors can be strongly autocorrelated and that a simple correction, which adds a fraction of the previous combined error to the next-period combined forecast, can deliver sizable improvements in forecast accuracy, often exceeding the original gains from combining. We formalize the approach within the conditional-risk framework of Gibbs and Vasnev (2024), in which the combined error decomposes into a predictable component (measurable at the forecast origin) and an innovation. We then link this correction to efficient estimation of combination weights under time-series dependence via GLS, allowing joint estimation of weights and an error-covariance structure. Using the U.S. Survey of Professional Forecasters for major macroeconomic indices across various subsamples (including pre/post-2000, GFC, and COVID), we find that a parsimonious correction of the mean forecast with a coefficient around 0.5 is a robust starting point and often yields material improvements in forecast accuracy. The benefits of correction diminish rapidly as the information becomes stale, largely disappearing at the four-quarter horizon or when the correction relies on an older lagged forecast error. For optimal-weight forecasts, the correction substantially mitigates the forecast combination puzzle by turning poorly performing out-of-sample optimal-weight combinations into competitive forecasts.