Conditional rotation between forecasting models
预测模型之间的条件轮换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：摘要讨论条件预测选择，并明确应用于通胀预测和股票收益预测，支持宏观预测与收益预测分类。
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
预测模型之间的条件轮换
- 研究问题
- 能否利用随时间变化的监测信息，在不同预测模型之间动态轮换，并在考虑估计误差后获得比单独使用基础预测更好的表现？
- 方法与思路
- 作者刻画监测变量识别当期最佳预测所需的性质，推导包含估计误差的有限样本表现界，并用模拟及通胀和股票收益预测检验策略。
- 材料陈述的贡献
- 摘要称，轮换收益取决于基础预测变量的准确性和监测信息强度；理论界、模拟与应用展示了利用条件信息动态选择预测的潜在收益。
- 阅读关注点
- 应核对监测变量可用的时间点、轮换规则和损失函数，以及有限样本界如何处理参数估计误差和预测模型选择。
- 阅读边界
- 摘要未提供改进条件的完整形式、损失界数值或实际收益幅度；所述潜在改进不能视为任何监测变量和样本下的保证。
原文摘要
We establish conditions under which forecasting performance can be improved by rotating between a set of underlying forecasts whose predictive accuracy is tracked using a set of time-varying monitoring instruments. We characterize the properties that the monitoring instruments must possess to be useful for identifying, at each point in time, the best forecast and show that these reflect both the accuracy of the predictors used by the underlying forecasting models and the strength of the monitoring instruments. Finite-sample bounds on forecasting performance that account for estimation error are used to compute the expected loss of the competing forecasts as well as for the dynamic rotation strategy. Finally, using Monte Carlo simulations and empirical applications to forecasting inflation and stock returns, we demonstrate the potential gains from using conditioning information to rotate between forecasts.