Nonlinearities in Macroeconomic Tail Risk through the Lens of Big Data Quantile Regressions
大数据分位数回归视角下宏观经济尾部风险的非线性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：摘要明确预测美国 GDP 增长的条件分布与尾部变动，直接对应宏观预测和时间序列方向。
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
大数据分位数回归视角下宏观经济尾部风险的非线性
- 研究问题
- 如何利用高维数据和非线性分位数回归预测美国 GDP 增长的条件分布，尤其改善极端变动对应的尾部预测？
- 方法与思路
- 作者在分位数回归中加入多种非线性设定，以收缩先验处理高维参数，并用变分贝叶斯近似替代较慢的 MCMC 后验计算。
- 材料陈述的贡献
- 摘要称所提模型提供较精确的预测，改善在尾部尤其明显；高斯过程近似非线性部分进一步提升表现，特别是在右尾。
- 阅读关注点
- 应核对预测样本划分、收缩先验与非线性设定、变分近似的误差，以及尾部评分、基准模型和跨分位数分布一致性。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收均未核实；摘要未报告预测增益数值或比较细节，也不能据此判断尾部区间校准。
原文摘要
Modeling and predicting extreme movements in GDP is notoriously difficult and the selection of appropriate covariates and/or possible forms of nonlinearities are key in obtaining precise forecasts. In this paper, our focus is on using large datasets in quantile regression models to forecast the conditional distribution of US GDP growth. To capture possible non-linearities, we include several nonlinear specifications. The resulting models will be huge dimensional and we thus rely on a set of shrinkage priors. Since Markov Chain Monte Carlo estimation becomes slow in these dimensions, we rely on fast variational Bayes approximations to the posterior distribution of the coefficients and the latent states. We find that our proposed set of models produces precise forecasts. These gains are especially pronounced in the tails. Using Gaussian processes to approximate the nonlinear component of the model further improves the good performance, in particular in the right tail.