Point and probabilistic forecast reconciliation for general linearly constrained multiple time series
本文针对一般线性约束多元时间序列,提出类似结构的预测协调公式,区分自由与受约束变量,并建立概率协调框架,应用于澳大利亚及欧洲GDP预测。
2023-12-22 stat.AP stat.CO stat.ME
Properties of the reconciled distributions for Gaussian and count forecasts
研究分层预测的概率协调问题,通过条件化分析高斯和计数预测协调分布的方差性质及单层分层协调上均值,,理论证明协调能大幅提升概率预测性能。
2024-02-14 stat.AP stat.ME
Iterative Trace Minimization for the Reconciliation of Very Short Hierarchical Time Series
针对极短且层级较大的时间序列中 MinT 协方差估计困难的问题,提出减少待估参数的迭代迹最小化方法,并通过模拟与 WSTS 半导体案例验证其预测精度提升。
2025-03-19 stat.ME
Probabilistic Reconciliation of Count Time Series
本文针对计数时间序列缺乏概率协调框架的问题,提出适用于实值和计数变量的一致性定义与基于 Bayes' rule 推广的新协调方法,实验证明其相比概率 Gaussian 协调显著提升了预测效果。
2023-04-26 stat.ME stat.ML
Forecast reconciliation with non-linear constraints
University of Padova(帕多瓦大学);Monash University(蒙纳士大学);The University of Melbourne(墨尔本大学)
本文提出非线性约束调和(NLCR)算法,将预测调和扩展到非线性约束时间序列,通过投影到非线性表面求解约束优化问题,并在人口学与经济学数据集上显著提升预测准确性。
2025-10-24 stat.AP stat.ME stat.ML
Cross-temporal probabilistic forecast reconciliation: Methodological and practical issues
本文提出跨时间概率预测调和框架,结合高斯与自举抽样及多步残差协方差估计,通过模拟和GDP、旅游需求实验证明其显著优于不协调预测。
2023-10-27 stat.AP stat.CO stat.ME
Forecast reconciliation meets compositional data analysis: A study of Italian cause-specific age-at-death
University of Foggia(福贾大学);Sapienza University of Rome(罗马智慧大学);University of Campania ”Luigi Vanvitelli”(坎帕尼亚路易吉·凡维特利大学);Macquarie University(麦考瑞大学)
本研究将成分数据分析整合到分层时间序列预测中,提出新框架用于意大利死因别死亡率预测,确保聚合一致性并显著提升预测可靠性,尤其在总死亡率及按死因和性别的预测中表现优于传统方法。
2026-09-17 stat.AP stat.ME
Multivariate reconciliation for hierarchical time series
Federal University of Bahia(巴伊亚联邦大学);Secretary of Health of the State of Bahia(巴伊亚州卫生部);Monash University(莫纳什大学);University of Pretoria(比勒陀利亚大学)
本文提出了一种多变量重新协调方法,用于确保层级时间序列的预测一致性,并考虑变量间的关系。通过数值模拟和实际数据验证,该方法在模拟数据和实际应用中均优于传统方法。
2026-05-18 stat.AP stat.ME
Forecast combination based forecast reconciliation: insights and extensions
在最近的一篇论文中,在阐明预测组合和横截面预测协调之间的联系的同时,Hollyman等人(2021)提出了一种基于预测组合的方法来协调简单的层次结构。一个新的水平条件相干(LCC)点预测和解程序的开发,它表明,一组LCC的简单平均,自下而上的和解预测(称为组合条件相干,CCC)的结果在良好的性能相比,通过国家的最先进的横截面和解程序。在本文中,我们沿着一些新的方向建立和扩展这一建议。(1)我们揭示了LCC和解公式的性质和数学推导,表明它是一个外生线性约束的二次损失函数的最小化的结果,在目标和基础预测与对角关联矩阵之间的差异。(2)内生约束也可以考虑,导致所有相关序列的水平条件调和预测,其中上部和下部时间序列都被一致地修正。(3)由于LCC程序不保证非负的调和预测,我们认为,当非负是一个自然属性的变量进行预测-其解释为一个公正的自上而下的和解程序留下了一些疑问。(4)新的程序中使用的经典澳大利亚旅游需求(游客夜)数据集的预测实验。由于用于计算基本预测的(可能不同的)模型所发挥的关键作用,我们将Hollyman et al.(2021)的CCC调和重新解释为预测池方法,表明采用简单的预测平均策略可以提高准确性。
2021-06-10 stat.AP
FoReco and FoRecoML: A Unified Toolbox for Forecast Reconciliation in R
University of Padova(帕多瓦大学);ESSEC Business School(ESSEC高等商学院);Maastricht University(马斯特里赫特大学)
本文提出FoReco和FoRecoML两个R包,提供统一框架,支持横截面、时间序列和跨时间序列的预测协调方法,兼顾易用性和灵活性。
2026-06-26 stat.AP stat.CO stat.ML
Forecasting multiple functional time series in a group structure: an application to mortality
在对地方死亡率进行建模时,我们应该考虑三个特点:(1)如何通过多人口联合建模来考虑各亚人口之间的任何可能的相关性,以潜在地提高预测准确性;(2)如何协调地方死亡率预测,以便它们在群体结构的各个层次上充分聚合;(3)在各种预测调节方法中,如何将它们的预测合并,以提高预测的准确性。为了解决这些问题,我们引入了一个扩展的分组单变量函数时间序列方法。我们首先考虑一个多元函数时间序列方法来联合预测多个相关序列。然后,我们评估的影响和效益,使用预测组合之间的预测调节方法。使用日本地区的年龄别死亡率,我们调查一步前进到15步前进点和区间预测精度,我们提出的扩展,并提出建议。
2020-01-10 stat.ME
Efficient probabilistic reconciliation of forecasts for real-valued and count time series
IDSIA, Dalle Molle Institute for Artificial Intelligence(IDSIA,达莱·莫莱人工智能研究所);Department of Mathematics, University of Pavia(帕维亚大学数学系)
本文提出基于条件化的概率协调新方法,并引入自下而上重要性采样算法,适用于任意分布,显著加速并提升分层时间序列预测的一致性。
2023-10-12 cs.LG stat.ML
Coherent Hierarchical Forecasting for Proportion and Discrete Time Series
本文提出一种基于卷积和指数倾斜的事后层次预测方法,用于离散和有界时间序列的相干预测,在模拟和实证中表现优于现有协调方法。
2026-09-17 stat.AP stat.ME
Hierarchical forecasting: The role of information
Monash University(莫纳什大学)
本文提出信息组合(IComb)方法,通过结合不同信息集的基础预测来改进分层时间序列预测,并证明信息组合与聚合约束对预测改进的独立贡献。
2026-05-28 stat.CO stat.ME
Robust optimal reconciliation for hierarchical time series forecasting with M-estimation
School of Economics and Management, Beihang University(北京航空航天大学经济管理学院);Data Management Department, Industrial and Commercial Bank of China Limited(中国工商银行股份有限公司数据管理部);MOE Key Laboratory of Complex System Analysis and Management Decision, Beihang University(北京航空航天大学复杂系统分析与管理决策教育部重点实验室);Department of Mathematics, The University of Manchester(曼彻斯特大学数学系)
本文提出了一种基于M估计的鲁棒协调方法,用于改进分层时间序列预测中对异常值的鲁棒性,并通过实验证明其在处理异常情况和无异常情况下的有效性。
2026-02-26 stat.AP
Constructing hierarchical time series through clustering: Is there an optimal way for forecasting?
本文研究预测协调中层次结构的构建方式,通过比较多种时间序列聚类表示与距离定义、随机置换实验及跨层次预测平均,发现准确性提升主要来自层次结构而非相似序列分组,且多方法平均表现最佳。
2024-09-08 stat.ME
Analyzing Taiwanese traffic patterns on consecutive holidays through forecast reconciliation and prediction-based anomaly detection techniques
本研究提出一种基于协调OLS预测和自助法预测区间的异常检测方法,分析台湾连续假期高速公路交通模式,发现不同方向与路段的异常差异,为交通管理提供决策支持。
2024-04-29 stat.AP
Billions-Scale Forecast Reconciliation
Johns Hopkins University(约翰斯·霍普金斯大学);Amazon(亚马逊)
本文提出了一种针对数十亿级预测协调问题的优化方法,展示了其在大规模数据下的有效性,并理论证明了最小二乘协调与基于份额协调的等价性。
2026-02-06 stat.ME
Coherent forecast combination for linearly constrained multiple time series
University of Padua(帕多瓦大学)
本文针对线性约束多时间序列,提出基于优化的一致预测组合方法,给出闭式解并通过模拟与澳大利亚电力数据验证其性能提升。
2026-11-09 stat.AP stat.CO stat.ME
Reconciliation of probabilistic forecasts with an application to wind power
提出了新的方法来调整概率预测,以确保与时间层次结构中固有的聚合约束的一致性。嵌套在这个框架中的不同方法包括利用层次结构的所有级别的信息的方法,以及基于交叉验证的新方法。该方法进行评估,使用真实的数据从两个风电场在克里特岛,应用程序,它是必要的最佳决策相关的电网运营和投标策略的基础上连贯的概率预测的风力发电。经验证据也表明,概率预测和解提高点预测和概率预测的准确性。
2018-08-08 stat.ME
Optimal Forecast Reconciliation with Uncertainty Quantification
Technical University of Denmark(丹麦技术大学)
本研究提出在一般线性模型中估计预测协调权重矩阵以量化不确定性,利用正交投影和Wishart分布推导协方差估计,证明距离缩减性质,并通过模拟和瑞典电力负荷案例验证改进。.
2026-11-09 stat.ME
Enhancing Forecasts Using Real-Time Data Flow and Hierarchical Forecast Reconciliation, with Applications to the Energy Sector
本研究提出一种结合实时数据的分层预测更新框架,通过拓展分层预测调和处理部分观测数据,经模拟实验和能源领域两个案例验证,其预测精度与一致性均优于未更新的基础模型,可提升决策准确性。
2024-11-03 stat.ME
Forecasting Italian daily electricity generation disaggregated by geographical zones and energy sources using coherent forecast combination
针对意大利按地理区域和能源来源分解的每日发电量层级预测不一致问题,提出相干平衡多任务预测组合方法,提升了预测准确性与约束相干性。
2025-02-17 stat.AP stat.ME
A machine learning approach for forecasting hierarchical time series
University of Rome Tor Vergata(罗马第二大学)
在本文中,我们提出了一个机器学习方法预测分层时间序列。在处理分层时间序列时,除了生成准确的预测外,还需要选择一种合适的方法来生成协调的预测。预测调节是调整预测以使其在整个层次结构中保持一致的过程。在文献中,一致性往往是通过使用后处理技术的基础上产生适当的时间序列预测方法的预测。相反,我们的想法是使用深度神经网络直接产生准确和协调的预测。我们利用深度神经网络的能力来提取捕获层次结构的信息。我们在训练时通过最小化定制的损失函数来进行协调。在许多实际应用中,除了时间序列数据,层次时间序列包含解释变量,有利于提高预测精度。利用这些进一步的信息,我们的方法链接到一个端到端的神经网络提供准确和协调的点预测的层次结构和解释变量的任何级别提取的时间序列特征之间的关系。在三个真实数据集上验证了该方法的有效性,其中我们的方法在分层预测中优于最先进的竞争对手。
2021-05-03 cs.LG stat.ML
Bayesian Reconciliation of Overlapping Multi Step Forecasts: A Post Processing Framework for Cross Origin Coherence
University of São Paulo(圣保罗大学)
针对多步预测中跨来源不一致性问题,提出模型无关的贝叶斯后处理协调框架,通过状态空间模型联合校准重叠预测,显著降低不一致性并提升区间覆盖率。
2026-11-03 stat.ME
Forecasting Australian fertility by age, region, and birthplace
本文采用分组函数时间序列模型并结合层级协调方法,对澳大利亚按年龄、地区和出生地划分的生育率进行一致预测,迹最小化协调取得最优预测效果。
2024-10-24 stat.AP stat.ME
Optimal reconciliation with immutable forecasts
层次预测中的一致性预测的实际重要性激发了许多关于预测协调的研究。根据这一方法,为层次结构中的每一个系列编制所谓的基本预测,随后在第二个调节步骤中进行调整,使之保持一致。调节方法已被证明可以提高预测的准确性,但通常会调整每个系列的基本预测。然而,在业务背景下,有时有必要或有益的是,在预测调节后保持某些变量的预测不变。在本文中,我们制定和解方法,保持预测的一个预先指定的变量子集不变或“不变”。与现有的方法相比,这些不变的预测不需要都来自同一层次结构,我们的方法也可以应用于分组层次结构。我们证明,我们的方法保留了无偏的基础预测。我们的方法还可以考虑基本预测误差之间的相关性,并确保预测的非负性。我们还进行了实证实验,包括一个大型在线零售商的销售应用程序,以评估我们提出的方法的影响。
2022-04-20 econ.EM stat.ME stat.ML
Exploiting Intraday Decompositions in Realized Volatility Forecasting: A Forecast Reconciliation Approach
本文提出利用RV日内分解的层次结构进行预测协调,并基于道琼斯工业指数及其成分股验证其可提升样本外预测准确性。
2023-06-05 stat.AP stat.ME
Scaleable Dynamic Forecast Reconciliation
本文提出一种可扩展的动态概率预测协调方法,允许权重随时间变化并使用样本外预测,通过闭式协方差估计和层级分解实现大规模数据处理。
2024-09-19 stat.AP stat.ME
Online forecast reconciliation using linear models
Technical University of Denmark(丹麦技术大学)
提出基于线性回归模型的在线自适应预测与层次协调框架,利用矩阵正态分布刻画残差,通过岭回归实现参数估计与协调,并给出递归推理算法,在区域供热负荷预测案例中验证有效性。
2026-06-23 stat.AP stat.ME
Reconciling Hierarchical Forecasts via Bayes' Rule
我们提出了一种新的方法来协调层次预测,基于贝叶斯规则。我们定义了一个先验分布的底部时间序列的层次结构,基于底部的基础预测。然后,我们更新他们的分布,通过贝叶斯规则,基于上时间序列的基本预测。在高斯假设下,我们得到了封闭形式的更新。我们推导出两个算法,这是不同的假设的独立性。我们讨论了他们的关系与MinT和解算法和卡尔曼滤波器,我们比较实验。
2020-06-22 stat.AP
Insights into regression-based cross-temporal forecast reconciliation
本文研究跨时间预测协调中顺序、迭代与最优组合方法的等价及收敛关系,并通过光伏发电预测实验验证其精度与高维计算效率。
2024-10-25 stat.AP stat.CO stat.ME
Balancing Accuracy and Costs in Cross-Temporal Hierarchies: Investigating Decision-Based and Validation-Based Reconciliation
本文提出利用验证误差进行协方差估计和基于决策的聚合层级,在跨时间预测中平衡准确性与决策成本,实验表明基于决策的调和更实用。
2024-12-15 stat.AP stat.ME
Optimal Combination Forecasts on Retail Multi-Dimensional Sales Data
Faculty of Engineering, University of Porto(波尔图大学工程学院);HUUB AI Lab Porto(HUUB AI实验室波尔图)
零售世界中的时间序列数据在维度方面特别丰富,这些维度可以按组或层次进行聚合。有价值的信息嵌套在这些复杂的结构中,这有助于预测聚合的时间序列数据。从HUUB监测的品牌组合中,我们选择了两个品牌来探索他们的销售行为,利用其产品结构的分组属性。利用统计模型,即SARIMA,预测层次结构中的每一个层次,使用最佳组合方法,以产生更一致的预测在较高的水平。我们的研究结果表明,所提出的方法确实可以捕获嵌套的信息在更细粒度的序列,有助于提高预测精度的聚合系列。加权最小二乘(WLS)方法超过了研究中提出的所有其他方法,包括最小跟踪(MinT)和解。
2019-03-22 cs.LG stat.AP stat.ME
Modeling uncertainty in the covariance matrix for probabilistic forecast reconciliation
University of Pavia(帕维亚大学);SUPSI, Istituto Dalle Molle di Studi sull’Intelligenza Artificiale (IDSIA)(瑞士应用科学与艺术大学,达莱·莫勒人工智能研究所)
本文提出一种贝叶斯协调模型,通过逆 Wishart 先验和高斯残差假设,使协调后的预测分布服从多元 t 分布,从而改进预测区间。
2026-09-04 stat.CO stat.ME
Hierarchical forecasting with a top-down alignment of independent level forecasts
Matthias Anderer GmbH(Matthias Anderer有限公司);Central University of Finance and Economics(中央财经大学)
间歇性时间序列的分层预测在研究和实证研究中都是一个挑战。广泛的研究集中在提高每个层次的准确性,特别是在底层的间歇性时间序列。然后可以使用分层协调来进一步提高整体性能。在本文中,我们提出了一个\emph{hierarchical-forecasting-with-alignment}的方法,把底层的预测作为可变的,以确保更高的预测精度的层次结构的上层。我们采用纯深度学习预测方法N-BEATS用于顶层的连续时间序列,并采用广泛使用的基于树的算法LightGBM用于底层的间歇性时间序列。\emph{hierarchical-forecasting-with-alignment}方法是自下而上方法的一个简单而有效的变体,可以解释在底层难以观察到的偏差。它允许在较低水平上进行次优预测,以保持较高的总体性能。本实证研究中的方法是由第一作者在M5预测准确性竞赛中开发的,排名第二。该方法也是面向业务的,可以有利于企业战略规划。
2021-12-31 cs.LG stat.AP stat.ML
Cross-Temporal Forecast Reconciliation at Digital Platforms with Machine Learning
针对数字平台高维跨截面与跨时间预测协调的需求,提出一种基于机器学习的非线性分层预测协调方法,能直接自动化生成连贯预测并支持高频决策,在配送与共享单车数据集上验证了有效性。
2024-05-31 econ.EM stat.AP stat.ME
Automobile demand forecasting: Spatiotemporal and hierarchical modeling, life cycle dynamics, and user-generated online information
School of Management, Technical University of Munich(慕尼黑技术大学管理学院);Munich Data Science Institute(慕尼黑数据科学研究所)
本文提出了一种结合时空依赖性和用户生成在线信息的多层级汽车需求预测方法,利用LightGBM和混合整数线性规划提升预测精度,强调整数预测对运营的重要性。
2025-11-21 cs.LG stat.AP
Reconciling forecasts of infant mortality rates at national and sub-national levels: Grouped time-series methods
死亡率往往按性别、州、教育、宗教或族裔等不同属性分列。预测国家和国家以下各级的死亡率在制定与国家和国家以下各级有关的社会政策方面发挥着重要作用。然而,国家以下各级的基本预测可能与国家一级的预测不一致。为了解决这个问题,我们从分组时间序列预测方法的角度考虑了协调死亡率预测的问题(Hyndman等人,2011年)。一个自下而上的方法和最佳组合方法被应用到生产点预测的婴儿死亡率,适当地聚集在不同层次的层次结构。我们扩展这两种方法,考虑通过自助程序的区间预测的和解。以澳大利亚地区婴儿死亡率为例,研究了独立预测方法和两种分组时间序列预测方法的一步到20步预测精度和区间预测精度。所提出的方法被证明是有用的调和点和区间预测的人口率在国家和国家以下各级,并将有利于政府的政策决定,在国家和国家以下各级的当前和未来的资源分配。
2016-08-31 stat.AP
Forecasting of a Hierarchical Functional Time Series on Example of Macromodel for Day and Night Air Pollution in Silesia Region: A Critical Overview
在经济学中,我们经常面对一个系统,它本质上强加了一个其组成部分的层次结构,即,建立与外汇有关的贸易账户模型或优化区域空气保护政策。在统计和计量经济学文献中,已经多次讨论了在不同层次上获得的预测的协调问题,并且关注将在不同层次上独立获得的预测合并在一起。本文讨论了这个问题的情况下,一个层次的功能时间序列。我们提出并批判性地讨论了一个国家的艺术,并指出这些方法的应用到一定的环境保护问题的机会。我们批判性地比较从文献中已知的最佳预测与我们自己的原始建议。在本文中,我们研究了一个宏观模式描述白天和夜间的空气污染在Silkworm地区分为五个分区。
2017-11-25 econ.EM stat.AP
Asset Bundling for Wind Power Forecasting
Georgia Institute of Technology(佐治亚理工学院)
本文提出 Bundle-Predict-Reconcile 框架,通过学习资产捆绑层级并协调多尺度风电预测,在 MISO 的 283 个风电场数据上显著提升短期与日前预测精度。
2023-09-28 cs.AI stat.AP stat.ME
Hierarchical Forecasting of Dengue Incidence in Sri Lanka
斯里兰卡的登革热发病率仍然很高,给该国造成了巨大的负担。因此,斯里兰卡国家登革热控制单位提出了一项预防和控制登革热发病率的国家行动计划。为了实施必要的短期和长期行动,拟议的计划在三个层面上运作:国家级、省级和地区级。为了优化资源分配,卫生官员需要国家、省和地区各级的预测,这保持了与地区、省和国家各级相关的总体一致性以及时间相关性。因此,本研究的目的是预测登革热发病率在斯里兰卡使用分层时间序列预测方法的基础上,空间和时间层次结构。层次预测包括两个步骤,如生成基本预测和这些基本预测的协调。在本研究中,使用指数平滑(ETS)和自回归整合移动平均(ARIMA),NAIVE,季节NAIVE方法和平均方法来产生基本预测。预测的准确性使用平均绝对尺度误差(MASE)进行评估。我们比较了层次时间序列预测的准确性与其他基准方法。预测精度表明,国家、省和地区的最佳预测方法并不局限于单一的方法。因此,我们调查的原因,在不同的预测方法的基础上,基于时间序列特征的可视化方法的性能变化。
2021-12-02 stat.AP
Local vs. Global Models for Hierarchical Forecasting
The University of Queensland(昆士兰大学);Queensland University of Technology(昆士兰科技大学)
本研究对比了局部模型与全局预测模型在层次化时间序列预测中的表现,开发了利用跨序列与跨层次信息的GFMs,并引入基于LightGBM的模型,证明了其在准确性和计算效率上优于传统方法。
2024-11-10 cs.LG stat.ML
Coherence is not enough: Aggregation constraints across predictive distributions, forecasts and decisions
School of Economics and Management, Beihang University(北京航空航天大学经济管理学院)
本文证明预测协调中分布、汇总统计量与决策约束不可互换,刻画线性协调保留分位数的条件,并在旅游数据上展示分位数不一致及损失函数对排名的影响。
2026-09-15 stat.ME
Fully reconciled GDP forecasts from Income and Expenditure sides
我们提出了一个完整的调节程序,导致GDP数字的“一个数字预测”,与收入和支出双方的预测系列一致,并评估其在澳大利亚季度GDP系列上的表现,与Athanasopoulos等人的原始提议相比。
2020-05-10 stat.ME
Fast same-step forecast in SUTSE model and its theoretical properties
针对SUTSE模型高维计算量大的问题,提出两阶段快速预测法,先做单变量卡尔曼滤波再用误差分布算预测值,兼具理论支撑与实际应用价值。
2023-01-17 math.ST stat.ME stat.TH
Improving Forecasts for Heterogeneous Time Series by "Averaging", with Application to Food Demand Forecast
针对同领域异质时间序列直接预测困难的问题,提出结合动态时间规整相似度与k近邻构建邻域、通过平均法提升简单模型预测效果的通用框架,并给出多种平均方式、理论依据及诊断工具。
2024-01-30 stat.ME stat.ML
Score-based calibration testing for multivariate forecast distributions
本文针对多变量分布预测中PIT校准检验的困难,提出基于适当评分规则的两类新检验,并通过模拟和宏观金融数据应用验证其有效性。
2023-12-12 econ.EM stat.ME
Statistical models for short and long term forecasts of snow depth
预测未来积雪深度对于道路安全、冬季体育活动、雪崩风险评估和水文学等许多应用都很有用。由于缺乏雪深的统计预报模型,在本文中,我们提出了一套模型来填补这一空白。首先,我们提出了一个模型来做短期预测时,我们假设可靠的天气预报的空气温度和降水是可用的。协变量被非线性地包括在模型中,遵循降雪、雪老化和融化的基本物理原理。由于雪深等于零的大量观测数据,我们使用零膨胀伽马回归模型,该模型通常用于类似的应用,如降水。我们还可以对积雪深度进行长期预测,并且比传统的温度和降水天气预报更深入。长期预报是根据降水、温度和积雪深度的历史时间序列拟合模型作出的。我们拟合模型的数据来自挪威的三个地点具有不同的气候特性。预测未来五天的结果显示,在给出可靠的温度和降水天气预报的情况下,挪威不同地点的绝对值预测误差在3到7厘米之间。预测未来三周,预测误差在7到16厘米之间。
2019-01-15 stat.AP stat.ME
State-Dependent Autoregressive Models: Properties, Estimation and Forecasting
本文研究了一类非线性时间序列的状态依赖自回归模型的时间依赖性质,并讨论了模型的参数估计问题。我们称这样的模型为状态依赖一阶自回归过程(SDAR)。我们引入了一些假设,在这些假设下,这类模型是严格平稳和一致遍历的,我们建立了参数的拟极大似然估计的相合性和渐近正态性。为了捕捉模型的潜力,我们提出了一个实证应用程序的非线性时间序列提供的每周实现波动率提取的一些欧洲金融指数的回报。考虑到两区SETAR模式提供的替代方法,对预报精度进行了比较
2020-02-08 math.ST stat.TH
Likelihood-based inference and forecasting for trawl processes: a stochastic optimization approach
本文提出首个基于复合似然与随机优化的拖网过程推断方法,并引入确定性及概率预测,其梯度估计器方差大幅降低,模拟显示优于广义矩方法,并发布Python库。
2023-08-30 math.ST stat.CO stat.ME
Learning to forecast: The probabilistic time series forecasting challenge
本文介绍了一项课程项目,学生每周提交气象和金融变量的概率预测,以实践数据科学和应用统计技能,并探讨了课程设计、预测评估及经验教训。
2023-04-03 stat.OT
The Murphy Decomposition and the Calibration-Resolution Principle: A New Perspective on Forecast Evaluation
我提供了一个统一的预测评估的角度来看,所有类型的准确预测的特点,从简单的点,以完成概率预测,在两个基本的基本属性,自动校准和分辨率,这可以被解释为描述缺乏系统性的错误和高信息含量。这种“校准分辨率原则”为预测的本质提供了新的见解,并将Gneiting et al.(2007)著名的锐度原则从概率性推广到所有类型的预测。其中,它暴露了几个广泛使用的预测评价方法的缺点。该原理基于损失函数的墨菲分解的完全通用版本,我提供了这个版本。这种分解的特殊情况是众所周知的,并广泛用于气象学。除了使用这种新的理论方法的分解,在介绍了它和基本属性在一个适当的理论框架,伴随着一个说明性的例子,我也采用它在其经典意义上作为一个预测评估方法的气象学家:因此,它揭示了预测误差背后的驱动力,并补充经典的预测评估方法。我讨论通过核回归分解的估计,然后将其应用于流行的经济预测。对来自美国专业预测者调查的平均预测和来自英格兰银行扇形图的分位数预测的分析确实产生了有趣的新见解,并突出了该方法的潜力。
2020-05-04 econ.EM stat.ME
Performance Metrics (Error Measures) in Machine Learning Regression, Forecasting and Prognostics: Properties and Typology
GS Research & Consulting(GS研究咨询公司);Ryerson University(瑞尔森大学)
业绩计量(误差计量)是各个领域评价框架的重要组成部分。本研究的目的是概述各种性能指标和方法,他们的分类。这项研究的主要目标是开发一种类型学,这将有助于提高我们对指标的知识和理解,并促进它们在机器学习回归、预测和预测中的选择。在分析众多性能指标结构的基础上,我们提出了一个指标框架,它包括四(4)类:主要指标,扩展指标,复合指标,和混合集的指标。本文确定了决定主要指标结构和属性的三(3)个关键组件(维度):确定点距离的方法、归一化方法、数据集上点距离的聚合方法。
2018-09-09 cs.LG stat.ME stat.ML