Bayesian Reconciliation of Overlapping Multi-Step Forecasts: A Post-Processing Framework for Cross-Origin Coherence
重叠多步预测的贝叶斯协调：跨预测起点一致性的后处理框架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：摘要核心是多步时间预测的协调框架，并明确应用于标普500每日波动率预测。
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…
重叠多步预测的贝叶斯协调：跨预测起点一致性的后处理框架
- 研究问题
- 不同预测起点对同一未来时点给出冲突预测时，如何在不访问原模型内部信息的情况下协调这些重叠预测？
- 方法与思路
- 作者将预测视为共同潜在轨迹的有噪且可能有偏测量，用贝叶斯状态空间模型联合处理期限相关偏差与不确定性。
- 材料陈述的贡献
- 摘要称模拟中不一致性减少；波动率应用的区间覆盖更接近名义值，但点预测误差增加，并展示 LSTM 应用。
- 阅读关注点
- 应核对潜在轨迹模型、跨起点误差依赖、偏差识别及信息时点，并同时评估一致性、区间覆盖与点预测精度。
- 阅读边界
- 这是所给 arXiv v1 预印本，同行评审或期刊接收未获核验；模拟依赖设定的数据过程，实证也显示不同预测指标存在权衡。
原文摘要
Multi-step forecasting systems, including modern artificial intelligence (AI) models, often issue overlapping predictions for the same future time from different forecast origins. These predictions can disagree even when produced by the same model, a phenomenon we call cross-origin incoherence. We propose a Bayesian reconciliation framework that treats overlapping forecasts as noisy and potentially biased measurements of a common latent trajectory. The method operates as a model agnostic post-processing layer, requiring no access to the forecasting models architecture, parameters, or training data. A Bayesian state-space model jointly reconciles forecasts targeting the same future time while accounting for horizon-specific bias and uncertainty. Controlled simulations demonstrate substantial reductions in cross-origin incoherence and accurate latent trajectory recovery under the assumed data generating process. An empirical application to daily S and P 500 volatility forecasts reduces 90% prediction interval coverage from 94.8% to 88.3%, closer to nominal coverage, but increases point forecast error. An additional LSTM experiment demonstrates applicability to modern neural forecasting systems.