ProbRes: Volatility Learning for Probabilistic Time-Series Forecasting
ProbRes：面向概率时间序列预测的波动率学习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：摘要直接研究概率时间序列预测，并以金融应用中的条件波动率和异方差为重点。
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
ProbRes：面向概率时间序列预测的波动率学习
- 研究问题
- 概率时间序列预测如何显式处理条件异方差，使未来观测的预测分布和区间反映波动变化，并适应非高斯误差？
- 方法与思路
- 作者提出事后概率校准方法，训练时分别学习条件均值与条件波动率，预测时重抽标准化残差，适用于单变量及多变量序列。
- 材料陈述的贡献
- 摘要称该方法具有理论有效性，并在合成与真实数据中较好捕捉预测分布、获得校准的预测区间，且适用模块不依赖特定架构。
- 阅读关注点
- 应核对标准化残差可重抽的条件、波动率学习误差如何传递，以及区间校准是边际还是条件性质，并检查非高斯情形的覆盖表现。
- 阅读边界
- 这是 arXiv 预印本，不能据此确认同行评审或期刊接收；摘要未列出有效性条件、数据集和校准指标，不能推断收益预测能力。
原文摘要
Probabilistic time series forecasting has attracted increasing attention in financial applications due to the need to quantify risk and uncertainty in future observations. We propose ProbRes, a post-hoc probabilistic calibration method that explicitly learns and incorporates volatility dynamics into probabilistic forecasting, enabling effective handling of heteroskedastic data. During training, ProbRes employs two architecture-agnostic modules to separately model the conditional mean and conditional volatility. At the inference stage, it generates predictive distributions by resampling normalized residuals. ProbRes is applicable to both univariate and multivariate time series and remains robust under a wide range of error distributions, including non-Gaussian innovations with conditional heteroskedasticity. Theoretical results demonstrate ProbRes's validity and experiments on both synthetic and real-world datasets show that ProbRes accurately captures predictive distributions and produces well-calibrated prediction intervals.