Simulation-based Forecasting for Intraday Power Markets: Modelling Fundamental Drivers for Location, Shape and Scale of the Price Distribution
本文针对欧洲日内电力价格，利用可再生能源预测、停机和 merit-order 等基本面变量建模收益分布的位置、形状与尺度，并通过德国市场模拟预测验证其在尾部概率预测上的显著提升。
2022-11-23 econ.EM q-fin.CP q-fin.ST
Probabilistic forecasting of German electricity imbalance prices
可再生能源能力的指数增长给电价和发电带来了很大的不确定性。为了应对这一挑战，能源交易所一直在开发更多的交易可能性，特别是日内和平衡市场。对于同时参与两个市场的能源交易商来说，对不平衡价格的预测特别重要。因此，在这篇手稿中，我们进行了一个非常短期的不平衡价格的概率预测，有助于在这个新的主题稀缺的文献。预测是在交割前30分钟进行的，这样交易者仍然可以选择交易地点。不平衡价格的分布建模和预测使用众所周知的方法在电力价格预测文献：套索与引导，gamlss和概率神经网络。在一个有意义的滚动窗口研究的方法进行了比较，一个天真的基准。结果提供了证据的效率之间的日内和平衡市场的复杂的方法并没有实质上超过日内连续价格指数。另一方面，它们显著提高了经验覆盖率。该分析是在德国市场上进行的，但它可以很容易地应用于任何其他类似结构的市场。
2022-05-23 econ.EM q-fin.ST stat.ML
Expectile regression averaging method for probabilistic forecasting of electricity prices
本文提出一种结合点预测平均与 expectile 回归的电价概率预测新方法，应用于德国日前市场并验证其优于 quantile 方法，同时指出建模前需进行方差稳定变换。
2024-02-12 stat.AP
Variations on two-parameter families of forecasting functions: seasonal/nonseasonal Models, comparison to the exponential smoothing and ARIMA models, and applications to stock market data
我们介绍了24个双参数家庭先进的时间序列预测功能，使用一种新的和非参数的方法。我们还介绍了供电的概念，并推导出非季节性和季节性模型的例子在教育，销售，金融和经济。我们比较我们的24个模型的性能，霍尔特-温特斯和ARIMA模型的非季节性和季节性时间序列。我们特别表明，我们的模型不仅不需要分解成趋势，季节性和随机成分的季节性时间序列，但也导致大幅降低绝对误差和更高数量的预测比霍尔特-温特斯和ARIMA模型。最后，我们使用标准普尔500指数467家公司的五年股票市场数据，应用并比较了我们的24个模型的性能。
2022-07-13 math.ST q-fin.ST stat.ME
Probabilistic Forecasting for Daily Electricity Loads and Quantiles for Curve-to-Curve Regression
电力负荷曲线的概率预测对于在日益波动和竞争激烈的能源市场中进行有效的调度和决策至关重要。我们提出了一种新的方法来构建概率预测曲线（PPC），这导致了一个自然的和新的分位数的定义曲线到曲线线性回归的上下文中。PPC有三种类型：预测集、预测带和预测分位数，所有这些都是在预先指定的名义概率水平上定义的。在仿真研究中，PPC在多种数据生成机制下都能获得较好的覆盖概率。在法国日负荷曲线的一天前预测中，PPC在预测精度、覆盖率和预测带平均长度方面优于几种最先进的预测方法。预测分位数曲线提供了有见地的信息，这是高度相关的电力供应管理中的对冲风险。
2020-11-11 stat.AP stat.ME
A Framework for Crop Price Forecasting in Emerging Economies by Analyzing the Quality of Time-series Data
作物价格预测技术的准确性很重要，因为它使供应链规划者和政府机构能够通过估计市场因素（如需求和供应）采取适当行动。在印度等新兴经济体，市场上的农作物价格每天都是手动输入的，这很容易出现人为错误，例如输入不正确的数据或多日没有输入数据。除了这种人为的错误，价格本身的波动使得创建稳定和强大的预测解决方案成为一项具有挑战性的任务。考虑到农作物价格预测的复杂性，本文提出了建立稳健的农作物价格预测模型的技术，该模型考虑了各种特征，如（i）农作物的历史价格和市场到达量，（ii）影响农作物生产和运输的历史天气数据，（iii）通过执行统计分析获得的数据质量相关特征。我们还提出了一个框架，基于上下文的模型选择和再培训考虑因素，如模型的稳定性，数据质量指标，作物价格的趋势分析。为了证明所提出的方法的有效性，我们展示了印度14个市场的两种作物-番茄和玉米的实验结果，并证明所提出的方法不仅与标准预测技术相比显着提高了准确性指标，而且还提供了强大的模型。
2020-09-09 econ.EM stat.AP
Medium-Term Load Forecasting Using Support Vector Regression, Feature Selection, and Symbiotic Organism Search Optimization
Niroo Research Institute（尼罗研究所）；State University of New York, Binghamton University（纽约州立大学宾汉姆顿大学）
准确的负荷预测一直是电力系统运行规划中不可缺少的重要组成部分。短期负荷预测（STLF）和长期负荷预测（LTLF）分别具有预测精度高和预测概率大的优点，而中期负荷预测（MTLF）由于其在电力系统运行和规划中的重要作用，如机组优化调度、用户服务规划和经济供电等方面的重要作用，受到了越来越多的关注。在这项研究中，一个混合的方法，支持向量回归（SVR）和共生生物体搜索优化（SOSO）的方法，提出了MTLF。在该模型中，支持向量回归机是预测算法的主体部分，SOSO算法被嵌入其中以优化支持向量回归机的参数。此外，在输入数据的预处理中，采用了最小冗余-最大相关特征选择算法。在EUNITE竞赛数据集上对该方法进行了测试，以证明其正确的性能。此外，它与以前的一些作品进行比较，以显示我们的方法的合格性。
2019-06-11 cs.LG cs.NE stat.ML
DMIDAS: Deep Mixed Data Sampling Regression for Long Multi-Horizon Time Series Forecasting
Carnegie Mellon University（卡内基梅隆大学）
神经预测在大规模系统的准确性方面有了显着的提高，但预测极长的时间范围仍然是一项具有挑战性的任务。两个常见的问题是预测的波动性和它们的计算复杂性;我们通过将平滑正则化和混合数据采样技术结合到性能良好的基于多层感知器的架构（NBEATS）来解决它们。我们验证了我们提出的方法，DMIDAS，在高频医疗保健和电价数据上具有较长的预测范围（约1000个时间戳），我们将预测精度提高了5%，比最先进的模型，减少了近70%的NBEATS参数数量。
2021-06-07 cs.LG stat.ML
Explainable boosted linear regression for time series forecasting
Ryerson University（瑞尔森大学）；University of Toronto（多伦多大学）；Bogazici University（博阿齐奇大学）
时间序列预测涉及收集和分析过去的观测结果，以开发一个模型来推断这些观测结果到未来。对未来事件的预测在许多领域中是重要的，以支持决策，因为它有助于减少未来的不确定性。本文提出了一种基于可解释提升线性回归（EBLR）的时间序列预测算法，它是一种从基本模型开始，通过回归树解释模型误差的迭代法。在每次迭代中，导致最高误差的路径作为新变量添加到基础模型中。在这方面，我们的方法可以被认为是对一般时间序列模型的改进，因为它可以通过残差解释来结合非线性特征。更重要的是，使用导致错误最多的单一规则允许可解释的结果。所提出的方法扩展到概率预测，通过生成预测区间的基础上的经验误差分布。我们进行了详细的数值研究EBLR和各种其他方法进行比较。我们观察到EBLR通过提取特征大大提高了基础模型的性能，并提供了与其他成熟方法相当的性能。EBLR模型预测的可解释性和较高的预测精度使其成为一种很有前途的时间序列预测方法。
2020-09-18 cs.LG stat.ML
Dynamic linear regression models for forecasting time series with semi long memory errors
University of Technology Sydney（悉尼科技大学）；University of New South Wales（新南威尔士大学）
本文提出一种新的动态线性回归模型，以捕捉误差的长程依赖性，提升预测能力，并通过马尔可夫链蒙特卡洛方法实现高效贝叶斯推断。
2026-04-01 stat.CO stat.ME
Trading Data for Wind Power Forecasting: A Regression Market with Lasso Regularization
本文提出了一个回归市场的风代理货币化数据之间的交易，风力发电预测。现有的文献数据市场往往把数据披露作为一个二元选择或调制的基础上的报价和出价之间的不匹配的数据质量。因此，市场要么对数据卖方不利，因为高估了他们披露数据的意愿，要么对数据买方不利，因为缺乏有用的数据。我们提出的回归市场基于最小绝对收缩和选择算子（套索）确定数据支付，这不仅为数据购买者提供了选择有用功能的手段，而且还使每个数据销售者能够个性化数据支付的阈值。使用合成数据和真实世界的风力数据，案例研究表明购买数据的风力代理商的总体损失减少，以及销售数据的人的额外经济利益。
2022-04-01 cs.SY eess.SY stat.AP
Quantile Dependence between Stock Markets and its Application in Volatility Forecasting
本文研究了国际股票市场之间的分位数依赖性，并评估其用于改善波动性预测。首先，我们分析了美国股票市场与英国、德国、法国和日本股票市场之间的分位数依赖和方向可预测性。我们使用交叉分位数图，这是分位数命中过程的相关统计。股票市场之间的详细相关性取决于特定的分位数范围，这种相关性通常是不对称的;负溢出效应强于正溢出效应，从美国市场到英国、德国、法国和日本市场存在很强的方向性可预测性。其次，我们考虑了一个简单的分位数增强的波动模型，该模型适应了美国市场和其他市场之间的分位数依赖性和方向可预测性。分位数增强波动率模型提供了优越的样本内和样本外波动率预测。
2016-08-25 q-fin.ST stat.AP
A Holistic Approach to Forecasting Wholesale Energy Market Prices
Google, Inc.（谷歌公司）；Centrum Wiskunde & Informatica (CWI)（荷兰数学与计算机科学研究中心）
本文提出一种综合方法，利用电网运营商进行供需匹配过程的基本属性（即最优功率流OPF）来恢复电力市场结构并预测节点价格，仅使用公开可用数据，如电网发电类型构成、系统负荷和历史价格，通过统计学习的最新进展来处理高维和稀疏的电力网络拓扑以及稀缺的公开市场数据，从而实现对实时价格的准确提前预测。
2019-06-07 cs.SY eess.SY stat.AP
A fractional Brownian -- Hawkes model for the Italian electricity spot market: estimation and forecasting
提出由Hawkes和分数布朗过程驱动的双因子模型，用于描述和预测意大利电力市场毛价格，并验证了其预测性能。
2019-11-26 stat.AP
Human Vs. Machines: Who Wins In Semiconductor Market Forecasting?
本研究对比了基于机器学习和统计模型的数据驱动预测与WSTS专家预测在半导体市场预测中的一致性与可解释性。
2024-04-14 stat.AP
Prediction Markets Underperform Simple Baselines For Infectious Disease Forecasting
本文评估了预测市场在传染病预测中的表现，发现其在流感和麻疹预测中均无法超越传统基准，指出市场效率低下源于对不可能结果的概率分配和低交易量。
2026-05-11 stat.AP
Forecasting day ahead electricity spot prices: The impact of the EXAA to other European electricity markets
本文分析了奥地利能源交易所（EXAA）日前电价与欧洲其他日前电价之间的关系。我们专注于在EXAA之后结算价格的市场，这使交易者能够将EXAA价格纳入其计算。对于每个市场，我们采用计量经济学模型来纳入EXAA价格，并将其与没有奥地利交易所价格的同行进行比较。通过采用预测研究，我们发现，电力价格模型可以改进时，EXAA价格考虑。
2015-12-01 econ.EM q-fin.ST q-fin.TR
Forecasting day-ahead electricity prices in Europe: the importance of considering market integration
Delft University of Technology（代尔夫特理工大学）；VITO-Energyville（VITO-能源城）；Vrije Universiteit Brussel（布鲁塞尔自由大学）
在电力市场日益一体化的激励下，本文提出了两种不同的方法，将市场一体化的电价预测，提高预测性能。首先，我们提出了一个深度神经网络，它考虑了连接市场的特征，以提高本地市场的预测准确性。为了衡量这些功能的重要性，我们提出了一种新的功能选择算法，通过使用贝叶斯优化和功能方差分析，评估算法性能的功能的影响。此外，使用市场整合，我们提出了第二个模型，通过同时预测两个市场的价格，进一步提高了预测精度。作为一个案例研究，我们考虑在比利时的电力市场和预测精度的提高时，使用各种法国电力功能。我们表明，这两个模型导致统计上显着的改进。特别是，由于市场整合，预测精度从15.7%提高到12.5%sMAPE（对称平均绝对百分比误差）。此外，我们表明，所提出的特征选择算法能够执行正确的评估，即丢弃不相关的功能。
2017-12-07 cs.CE cs.LG cs.NE
The Evolution of Probabilistic Price Forecasting Techniques: A Review of the Day-Ahead, Intra-Day, and Balancing Markets
SFI CRT in Artificial Intelligence, School of Computer Science \& IT, University College Cork, Ireland；SFI Insight Centre for Data Analytics, School of Computer Science \& IT, University College Cork, Ireland
本文综述了概率性电价预测技术从贝叶斯方法、分位数回归到保形预测的演进，并扩展至日前、日内与平衡市场，重点分析了有效性方法、评估指标及标准化基准缺失等挑战。
2025-10-28 cs.AI q-fin.ST stat.AP
Coping with area price risk in electricity markets: Forecasting Contracts for Difference in the Nordic power market
差价合约（CfD）是区域价格和系统价格之间价差的远期。这些产品与系统价格远期一起用于对冲北欧电力市场的区域价格风险。CfD通常在接下来的两个月，三个季度和三年内可用。这是好的，除了CfD不是在纳斯达克OMX商品交易的每一个北池现货价格区。因此，我们提出一个假设性的问题：如果CfD被交易，那么在价格区域NO2中，CfD的市场价格会是多少？我们为每个可观察的价格区域建立回归模型，并使用贝叶斯启发技术来获得关于不同价格区域如何相似的先验信息，以预测CfD不交易的区域的价格。
2014-06-26 q-fin.ST stat.AP
Application of Machine Learning in Stock Market Forecasting: A Case Study of Disney Stock
该研究以迪士尼股票为案例，基于750条记录和16项属性完成EDA、特征工程、数据准备与模型比较，并结合Fama French三因子模型，发现线性回归表现最佳。
2023-12-31 cs.LG q-fin.ST stat.AP
Corrected Support Vector Regression for intraday point forecasting of prices in the continuous power market
本文提出基于核修正的支持向量回归cSVR方法，用于连续电力市场日内价格点预测，在德国市场数据上相比经典SVR、LASSO、随机森林和朴素预测取得最高精度且速度最快，尤其在早晚高峰交付时段改进最显著。
2024-11-25 stat.AP
A market-initialised accelerated failure time model for in-play football forecasting
University of Bristol（布里斯托大学）
本文提出一种结合市场信息和实时数据的加速失败时间模型，通过校准球队强度参数和包含赛后预期进球作为时间变异协变量，提升实时足球预测的准确性，并在140场比赛中验证了其效果。
2026-11-13 stat.AP
Day Ahead Price Forecasting Models in Thin Electricity Market
印度的未来电力市场（DAM）很薄，但正在增长。一致的价格预测对于它们在投资组合优化模型中的利用是重要的。具有标准外生变量（如特殊日效应等）的单变量或多变量模型并不总是有用的。需求和供应的驱动因素包括大范围地理区域的天气变化，电力系统元件的中断以及导致参与者访问电力交易所的合同的突然变化。这些都需要在预测模型中加以考虑。据观察，这种模型大大减少预测误差，优于其他模型的条件下，这是既不是罕见的，也不是在规定的时间间隔内重现。本文开发的模型，印度和测试这些模型的效用模型置信集（MCS）的方法，挑选出最好的模型。该方法已在印度的一个电力公用事业公司在一个为期两年的现场业务环境。
2020-11-03 stat.AP
Quantile Regression for Qualifying Match of GEFCom2017 Probabilistic Load Forecasting
我们提出了一种简单的基于分位数回归的预测方法，并将其应用于2017年全球能源预测竞赛（GEFCom 2017）的概率负荷预测框架中。每小时负荷数据经过对数转换并分为长期趋势分量和剩余项。关键的预测要素是剩余期的分位数回归方法，该方法考虑到每周和每年的季节性，例如它们的相互作用。温度信息仅用于稳定长期趋势分量的预测。公众假期信息被忽略。尽管如此，预测方法在开放数据跟踪中排名第二，在确定数据跟踪中排名第四，这是显着的模型简单。该方法也始终优于Vanilla基准。
2018-09-10 stat.AP stat.CO stat.ME
Cluster-Based Regularized Sliced Inverse Regression for Forecasting Macroeconomic Variables
本文研究了大数据集回归中的降维问题。我们介绍了一种新的方法，基于切片逆回归方法，称为基于聚类的正则化切片逆回归。该方法既保留了既考虑响应信息又考虑预报因子信息的优点，又增强了对高度相关变量的处理能力。在某些线性条件下，其是合理的。在宏观经济数据集上的实证应用表明，该方法优于动态因子模型和其他收缩方法。
2013-12-02 stat.AP
Ensemble Forecasting for Intraday Electricity Prices: Simulating Trajectories
University of Duisburg-Essen（杜伊斯堡-埃森大学）
最近关于点电价预测的研究表明，每小时德国日内连续市场是弱式有效的。因此，我们采取了一种新颖的、先进的方法来解决这个问题。通过模拟每个交易窗口中的轨迹来执行每小时日内电价的概率预测，以接收真实的集合，从而允许更有效的日内交易和重新调度。一个广义的加法模型被拟合到价格差，假设它们遵循零膨胀分布，确切地说是狄拉克分布和学生t分布的混合。此外，使用具有套索惩罚的高维逻辑回归估计混合项。我们使用i.a.对序列的期望值和波动率进行建模。自回归和无交易效应或负荷、风能和太阳能发电预测，并考虑到例如到期时间的非线性。使用滚动窗口预测研究的样本内特性和预测性能进行了分析。多个版本的模型进行了比较，几个基准模型，并使用概率预测措施和显着性检验进行评估。该研究旨在预测德国日内连续市场在最后3小时交易中的价格分布，但该方法可以应用于其他连续市场，特别是欧洲市场。结果证明了混合模型的优越性，从波动率的建模中获得最多的基准。它们还表明，XBID的引入降低了市场波动。
2020-08-29 cs.LG cs.SY econ.EM
Dynamic factor and double PCA models for partially observed survival curves: Forecasting demand in short-term rental markets
Norwegian Computing Center（挪威计算中心）；Department of Mathematics, University of Oslo（奥斯陆大学数学系）
本文提出动态因子和双PCA模型，用于部分观测生存曲线的预测，并在短期租赁市场入住率数据上验证，优于Holt方法，支持动态定价决策。
2026-09-28 stat.AP stat.ME
Comparison of nonhomogeneous regression models for probabilistic wind speed forecasting
在天气预报中，非齐次回归用于统计后处理预报集合，以获得校准的预测分布。对于风速预测，回归模型由截断的正态分布给出，其中位置和扩散来自集合。本文提出了两种替代方法，利用广义极值（GEV）分布。截断正态回归的一个直接替代方法是应用来自GEV家族的预测分布，而基于预测集合中值的状态切换方法结合了这两种分布。在德国每日最大风速与欧洲中期天气预报中心的预报集合的案例研究中，所有三种方法都提供了校准和尖锐的预测分布与政权切换的方法显示出最高的技能在上尾。
2013-05-09 stat.AP
Macroeconomic Forecasting and Variable Selection with a Very Large Number of Predictors: A Penalized Regression Approach
本文研究了具有大量预测变量的折迭凹惩罚回归模型的宏观经济预测和变量选择问题。惩罚回归方法导致回归系数的稀疏估计，并且即使模型的维数远大于样本量也是适用的。本文的前半部分讨论了当模型表现出时间序列依赖性时，折叠凹惩罚回归的理论问题。特别地，我们证明了超高维时间依赖回归的预言不等式和预言性质。论文的后半部分使用两个激励实证应用程序显示了惩罚回归的有效性。第一个模型使用MIDAS回归框架，使用FRED-MD数据预测美国GDP，其中有1000多个协变量，而样本量最多为200。第二个研究如何以及惩罚回归筛选隐藏的投资组合，约40只股票从1800多个潜在的股票使用纽约证券交易所的股票价格数据。这两个应用程序表明，惩罚回归提供了显着的结果，在预测性能和变量选择。
2017-03-05 math.ST stat.AP stat.ME
Multivariate Simulation-based Forecasting for Intraday Power Markets: Modelling Cross-Product Price Effects
针对欧洲日内电力市场并行交易下跨产品价格依赖效应被忽视的问题，提出基于copula和潜在β回归的多变量预测方法，建模时变依赖结构并在德国市场验证其预测性能提升，还分析了SIDC的影响。
2023-06-23 econ.EM q-fin.CP q-fin.ST
Solar Power Forecasting Using Support Vector Regression
University of North Carolina at Charlotte（北卡罗来纳大学夏洛特分校）
智能电网中的发电机组经济调度需要兼顾发电和负荷平衡。可变能源发电，特别是风能和太阳能发电，正在迅速增加，预计随着其渗透率达到一定水平，它们可能成为值得注意的不确定性来源。与负荷需求的情况一样，能源预测也可用于缓解资源不确定性带来的一些挑战。虽然风能预测研究被认为是成熟的，但太阳能预测正受到研究界越来越多的关注。本文提出了一种支持向量回归模型，在滚动的基础上产生太阳能发电预测提前24小时，在整个一年，模仿能源预测的实际业务。从高质量的基准数据集中考虑了12个天气变量，并提取了新的变量。在不同的季节，热指数和风速作为额外的变量模型的附加值进行了研究。将支持向量回归模型与人工神经网络和多元线性回归模型进行了比较。
2017-03-29 cs.CE cs.LG stat.AP
The M6 forecasting competition: Bridging the gap between forecasting and investment decisions
M6预测竞赛通过在100只公开交易资产上评估预测准确性与投资表现，探讨了有效市场假说，揭示了持续超越市场的困难及预测与投资决策间的有限联系，并强调了群体智慧与风险模型的价值。
2023-10-20 stat.AP
Predicting replicability -- analysis of survey and prediction market data from large-scale forecasting projects
已发表研究的可重复性已成为科学政策中的一个重要议题。已经进行了一些大规模的复制项目，以衡量特定学术领域的整体可重复性。在这里，我们对四项研究的数据进行了分析，这些研究试图预测社会和行为科学中复制项目的结果，使用参与预测市场并回答调查的人类专家。由于在每项单独的研究中重复和预测的结果数量很少，因此汇集数据提供了一个机会，可以在更高的功率下评估关于预测市场和调查表现的假设。总的来说，同行的信念引起了103个已发表的研究结果的复制结果。我们发现，科学界内部有关于科学发现可复制性的信息，调查和预测市场都可以用来获取和汇总这些信息。我们的研究结果表明，预测市场可以以73%的准确率（n=103）确定直接复制的结果。预测市场价格和平均调查响应都与结果相关（分别为0.581和0.564，p <0.001）。我们还发现了原始结果和复制结果的p值之间的显着关系。该数据集通过R包pooledmaRket提供，可用于进一步研究社区对调查和预测市场中得出的复制结果的信念。
2021-01-31 stat.AP
A hybrid model of kernel density estimation and quantile regression for GEFCom2014 probabilistic load forecasting
作为2014年全球能源预测竞赛概率负荷预测轨道的一部分，我们提出了一种结合核密度估计（KDE）和分位数回归技术生成概率预测的模型。KDE方法最初是使用时间衰减参数实现的。我们后来通过调节温度或一周的周期变量来改进这种方法，以提供更准确的预测。其次，我们发展了一个简单而有效的分位数回归预测。我们的方法的新颖方面是双重的。首先，我们将对称性引入到基于核密度估计的预测的时间衰减参数中。其次，我们结合三个概率预测不同的权重为不同时期的一个月。
2016-10-17 physics.data-an physics.soc-ph stat.AP
An adaptive standardisation methodology for Day-Ahead electricity price forecasting
Fortia Energía（福尔蒂亚能源公司）；Universidad Politécnica de Madrid（马德里理工大学）；Instituto de Ciencias Matemáticas（数学科学研究所）
针对日前电力价格预测中复杂度增加收益递减的问题，提出自适应标准化方法缓解数据集偏移，在五个市场（含两个新数据集）上结合LEAR和DNN算法取得显著提升。
2024-04-26 cs.LG stat.AP stat.ME
Forecasting Disease Burden In Philippines: A Symbolic Regression Analysis
疾病负担衡量的是患病和受伤以及过早死亡的影响，它在全球范围内不断增加，是全球和国家的主要死亡原因。本文旨在提出一个疾病指数，并评估一个数学模型，以描述1990 - 2016年菲律宾疾病负担的数量。通过主成分分析，将疾病分为：经口传染病、病媒传播病、非传染性疾病、意外事故和故意。进行了符号回归分析，研究表明，使用CPA分类的疾病负担数量将继续减少，直到2020年，非传染性疾病除外。
2021-05-11 stat.AP
Econometric modelling and forecasting of intraday electricity prices
在下面的论文中，我们分析了ID $_3$ -价格在德国的日内连续电力市场使用计量经济学时间序列模型。分别对每小时和每季度产品进行了多变量方法。我们使用套索和弹性网络技术估计模型，并进行样本外的非常短期的预测研究。该模型的性能与基准模型进行了比较，并进行了详细讨论。预测结果提供了新的见解，德国日内连续电力市场的效率和ID $_3$ -价格行为。
2019-09-23 econ.EM q-fin.ST stat.AP
A Multiple Linear Regression Approach For Estimating the Market Value of Football Players in Forward Position
运用多元线性回归方法，对2017-2018赛季我国足球运动员的市场价值进行了研究。以欧洲4大联赛的运动员为研究对象，通过方差齐性检验，建立了0.10显著性水平内的回归模型，并对影响因素进行了详细的分析。
2018-07-03 stat.AP
Tail risk forecasting with semi-parametric regression models by incorporating overnight information
本研究提出RES-CAViaR-oc模型族，融合隔夜收益与已实现波动率，利用贝叶斯方法联合预测VaR和ES，实证表明其有效提升尾部风险预测精度。
2024-02-11 q-fin.RM stat.AP
ML-Based Bidding Price Prediction for Pay-As-Bid Ancillary Services Markets: A Use Case in the German Control Reserve Market
Fraunhofer Institute for Manufacturing Engineering and Automation（弗劳恩霍夫制造工程与自动化研究所）
针对德国控制储备市场等按报价付费辅助服务市场参与者竞价策略简单、收入未达最大化的问题，提出含偏移调整技术的机器学习竞价价格预测方法，通过评估多模型提升潜在收入27.43%-37.31%，助力优化策略并增强电网稳定性。
2025-03-21 cs.CE cs.LG stat.AP
