Large-scale model comparison with fast model confidence sets
利用快速模型置信集开展大规模模型比较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：摘要直接比较预测模型，并以大规模多元 GARCH 模型集合展示算法，分别对应预测方法与波动率模型。
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
利用快速模型置信集开展大规模模型比较
- 研究问题
- 面对大量预测模型，如何降低模型置信集的计算与存储成本，并允许后续加入新模型，同时保持与原有剔除算法等价？
- 方法与思路
- 作者将逐步剔除改为从两个模型开始逐步加入，随加入过程更新排序和 p 值，并分析 R 规则下的算法复杂度。
- 材料陈述的贡献
- 摘要称，新算法与剔除法等价，时间复杂度由三次降至二次、内存由二次降至一次，并在四千八百个多元 GARCH 模型上演示。
- 阅读关注点
- 核对等价性所需的检验规则、排序与并列处理，以及重抽样计算是否计入复杂度；还需检查新增模型时更新结果的方式。
- 阅读边界
- 仅据所给 OpenAlex 摘要，不能判断复杂度结论对其他规则是否成立、实际加速幅度或预测改善；算法加速不证明模型更优，不推断刊本变化。
原文摘要
The paper proposes a new algorithm for finding the confidence set of a collection of forecasts or prediction models. Existing numerical implementations use an elimination approach, where one starts with the full collection of models and successively eliminates the worst performing until the null of equal predictive ability is no longer rejected at a given confidence level. The intuition behind the proposed implementation lies in reversing the process, i.e. starting with a collection of two models and updating both the model rankings and p-values as models are successively added to the collection. The first benefit of this approach is a reduction of one polynomial order in both the time complexity and memory cost of finding the confidence set of a collection of M models using the R rule, falling respectively from O M 3 to O M 2 and from O M 2 to O M . The second key benefit is that it allows for further models to be added at a later point in time, thus enabling collaborative efforts using the model confidence set procedure. The paper proves that this implementation is equivalent to the elimination approach, demonstrates the improved performance on a multivariate GARCH collection consisting of 4800 models, and discusses possible use-cases where this improved performance could prove useful.