Prediction regions for interval‐valued time series
区间值时间序列的预测域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：摘要以区间时间序列概率预测为核心，并明确应用于股票收益水平、波动及低高收益预测。
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…
区间值时间序列的预测域
- 研究问题
- 如何为区间值时间序列构造概率预测域，并在区间中心、区间宽度及上下界之间转换，以表达收益水平与波动的不确定性？
- 方法与思路
- 作者对中心与对数区间宽度拟合可能非高斯的二元 VAR，将解析和自助法预测域转换到其他表示，并开展模拟与金融应用。
- 材料陈述的贡献
- 摘要称，自助法在若干新评价指标下更受支持；标普五百日度低高收益应用展示联合预测域及相对点预测的交易表现。
- 阅读关注点
- 应核对区间变换后的覆盖含义、新评价指标、自助法步骤，以及低高收益与波动的定义和交易比较中的成本处理。
- 阅读边界
- 仅依据所给 Crossref 版本摘要；覆盖率、评价指标定义和交易收益数值未说明，不能认定自助法普遍更优或推断版本变化。
原文摘要
Summary We approximate probabilistic forecasts for interval‐valued time series by offering alternative approaches. After fitting a possibly non‐Gaussian bivariate vector autoregression (VAR) model to the center/log‐range system, we transform prediction regions (analytical and bootstrap) for this system into regions for center/range and upper/lower bounds systems. Monte Carlo simulations show that bootstrap methods are preferred according to several new metrics. For daily S&P 500 low/high returns, we build joint conditional prediction regions of the return level and volatility. We illustrate the usefulness of obtaining bootstrap forecasts regions for low/high returns by developing a trading strategy and showing its profitability when compared to using point forecasts.