Optimal model averaging based on forward-validation
基于前向验证的最优模型平均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：摘要围绕时间序列的前向预测验证展开，并明确以股权溢价预测作为实证例子。
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
基于前向验证的最优模型平均
- 研究问题
- 时间序列预测需要遵守时间顺序且估计窗口存在不确定性时，如何选择模型平均权重并兼顾不同候选模型的样本窗口？
- 方法与思路
- 作者提出基于前向验证的频率学派模型平均，允许候选模型使用不同样本量，并分析平方预测风险和权重的渐近性质。
- 材料陈述的贡献
- 摘要称，方法渐近达到最低可实现平方预测风险；存在正确设定模型时，权重渐近集中于这些模型，并展示股权溢价预测。
- 阅读关注点
- 应核对前向验证的切分方式、窗口候选集合、风险最优性的比较范围，以及权重集中结论所需的时间依赖与模型条件。
- 阅读边界
- 所给 RePEc 出版社摘要未说明理论条件、窗口选择细节及预测改善数值；渐近最优不保证任意有限样本的预测优势。
原文摘要
In this paper, noting that the prediction of time series follows the temporal order of data, we propose a frequentist model averaging method based on forward-validation. Our method also considers the uncertainty of the window size in estimation, i.e., we allow the sample size to vary among candidate models. We establish the asymptotic optimality of our method in the sense of achieving the lowest possible squared prediction risk. We also prove that if there exists one or more correctly specified models, our method will automatically assign all the weights to them. The promising performance of our method for finite samples is demonstrated by simulations and an empirical example of predicting the equity premium.