Mixed-Frequency Time Series Forecasting via Depth-Separable Neural Networks
基于深度可分离神经网络的混频时间序列预测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：摘要明确研究混频时间序列，并用月度和日度指标预测季度宏观变量，直接对应时间序列与宏观预测。
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
基于深度可分离神经网络的混频时间序列预测
- 研究问题
- 混频预测中的线性频率对齐是否遗漏重要非线性？如何在大量高频预测变量下构建可扩展的非线性对齐与预测模型？
- 方法与思路
- 作者为各频率对齐步骤配置深度网络，并在各阶段采用参数共享，形成深度可分离网络，同时推导逼近理论和非渐近预测误差界。
- 材料陈述的贡献
- 摘要称提出了混频网络的理论保证，模拟展示有限样本表现；用月度和日度指标预测美国季度宏观变量时，表现优于比较方法。
- 阅读关注点
- 应核对网络结构、对齐和参数共享的具体定义、误差界条件，以及实证预测窗口、信息可用时间和基准模型调参的公平性。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核实；摘要未列理论条件、预测变量清单或误差数值，预测优势的适用范围仍需核对。
原文摘要
To better forecast mixed-frequency time series, it is the key to choose a suitable way for frequency alignment. However, the existing methods are all limited to linear transformations, and this may overlook the possible nonlinearity, leading to a worse prediction. We alternatively consider a deep neural network for each frequency alignment, and hence a depth-separable neural network. Moreover, a parameter-sharing mechanism is adopted across the alignment at each stage, making possible a deeper network for a large set of higher-frequency predictors. This paper establishes an approximation theory for the proposed depth-separable network, and a non-asymptotic prediction error bound is also derived. Simulation studies demonstrate the finite-sample performance of the proposed method, and an empirical application to forecasting U.S. quarterly macroeconomic variables using monthly and daily indicators, highlights its superior predictive accuracy over existing mixed-frequency methods.