A flexible semiparametric forecasting model for time series
一种灵活的半参数时间序列预测模型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：摘要以时间序列预测为主要目标，并明确应用于股票指数高频波动率预测。
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
一种灵活的半参数时间序列预测模型
- 研究问题
- 如何用一维边际回归的组合近似多元回归函数，为时间序列预测提供灵活方法，并允许解释变量数量随样本增加？
- 方法与思路
- 作者提出 MAMAR，先用核方法估计各边际回归，再以最小二乘估计仿射组合权重，并在平稳、近历元依赖条件下分析。
- 材料陈述的贡献
- 摘要称，固定与增长维度下的权重和回归函数估计均有渐近正态结果，并通过模拟及富时百种指数高频波动率预测展示方法。
- 阅读关注点
- 应核对仿射近似误差、带宽选择和维度增长限制，并区分估计量渐近正态性与样本外预测准确性的评价依据。
- 阅读边界
- 所给出版社摘要未明确所谓温和条件、维度增长速率或预测比较结果；不能据此声称该方法优于其他预测模型。
原文摘要
In this paper, we propose a semiparametric procedure called the “Model Averaging MArginal Regression” (MAMAR) that is flexible for forecasting of time series. This procedure considers approximating a multivariate regression function by an affine combination of one-dimensional marginal regression functions. The weight parameters involved in the approximation are estimated by least squares on the basis of the first-stage nonparametric kernel estimates of the marginal regressions. Under some mild conditions, we have established asymptotic normality for the estimated weights and the regression function in two cases: Case I considers that the number of the covariates is fixed while Case II allows the number of the covariates depending on the sample size and diverging. As the observations are assumed to be stationary and near epoch dependent, the approach developed is applicable to both the estimation and forecasting issues in time series analysis. Furthermore, the method and result are augmented by a simulation study and illustrated by an application in forecasting the high frequency volatility of the FTSE100 index.