Forecast Combination Under Heavy-Tailed Errors
预测组合已被证明是一种非常重要的技术,以获得准确的预测。在许多应用中,由于各种原因,预测误差表现出重尾行为。不幸的是,据我们所知,几乎没有做什么来处理这种情况下的预测组合。常见的预测组合方法,如简单平均、最小二乘回归或基于预测的方差-协方差的组合方法,可能表现得很差。在本文中,我们提出了两个非参数预测组合方法来解决这个问题。一个是专门提出的情况下,预测误差被强烈认为有重尾,可以模拟的缩放学生的t-分布;另一个是专为相对更一般的情况下,由于缺乏数据和/或不断变化的数据生成过程中的尾部行为的预测误差缺乏强有力的或一致的证据。这两种方法的自适应风险界。仿真和一个实例表明了新方法的优越性能。
2015-08-26 stat.ME
The Impact of Sampling Variability on Estimated Combinations of Distributional Forecasts
我们调查估计的预测组合的性能和抽样变异性,特别注意预测分布的组合。预测组合中的未知参数根据基于适当的评分规则的标准函数进行优化,所述评分规则被选择以奖励对于手头的问题重要的预测准确性的形式,并且预测性能使用所述评分规则的样本外期望来测量。我们的研究结果提供了新的见解估计预测组合的行为。首先,我们表明,渐近,标准预测组合的性能的抽样变异性仅由估计的组成模型,估计的组合权重贡献任何抽样变异性,在一阶。其次,我们表明,如果计算上可行,预测组合在一个单一的步骤-其中的成分模型和组合函数参数估计联合-具有优越的预测精度和较低的抽样变异性比标准的预测组合-其中的成分模型和组合函数参数估计在两个步骤。这些理论的见解证明了数字,无论是在模拟设置和广泛的实证说明使用标准普尔500指数回报的时间序列。
2022-06-06 econ.EM 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
A Forecaster's Review of Judea Pearl's Causality: Models, Reasoning and Inference, Second Edition, 2009
Central University of Finance and Economics(中央财经大学)
本文从预测者视角评述 Pearl《因果论》第二版,展示预测场景中的因果推断策略,并探讨时间序列预测中反事实建模、不确定性估计与先验知识融合的益处和挑战。
2023-08-10 cs.LG stat.AP stat.ME
Optimizing Forecast Combination Weights Using Exponentially Weighted Hit and Win Rate Losses
本文针对分析师预测汇总中的收入预测问题,提出使用指数加权命中率和胜率损失函数优化组合权重,并开发贝叶斯插补框架处理缺失预测,实证表明该方法优于传统等权重和线性组合基准。
2025-03-25 stat.ME
Hankel low-rank approximation and completion in time series analysis and forecasting: a brief review
在本文中,我们提供了一个审查和参考书目的工作汉克尔低秩近似和完成,特别强调如何使用这种方法可以用于时间序列分析和预测。我们首先描述可能的配方的问题,并提供评论相关的主题和挑战,在获得全球最优解。关键定理提供,并关闭一些简要的例子。
2022-06-10 cs.NA math.NA stat.ME
Hedging Forecast Combinations With an Application to the Random Forest
本文提出一种基于均值-方差投资组合类比的高层预测组合方法,允许负权重以对冲估计风险,并在14个数据集上验证了其改进加权随机森林样本外性能的有效性。
2023-08-31 q-fin.PM stat.ME
A Forecast Combination Framework for Hierarchical and Grouped Time Series Reconciliation
Beihang University(北京航空航天大学);Tsinghua University(清华大学);Saïd Business School, University of Oxford(牛津大学赛德商学院)
该研究提出用于分层与分组时间序列协调的预测组合框架,将预测组合与协调关联,证明MinT协调等价于最优预测组合,提出模块化惩罚框架,该框架实用且可提升预测准确性。
2026-08-18 stat.ME
Forecast with Forecasts: Diversity Matters
在过去的几十年里,预测组合被广泛应用于改善预测。估计可以优于简单平均值的最佳权重并不总是一件容易的任务。近年来,利用时间序列特征进行预测组合的思想蓬勃发展。虽然这个想法已经被证明是有益的,在一些预测比赛,它可能是不实用的,在许多情况下。例如,选择适当的特征来构建预测模型的任务通常具有挑战性。即使有一个可接受的方式来定义的功能,现有的功能是根据历史模式,这是很可能在未来发生变化的估计。其他时候,由于历史数据有限,对特征的估计是不可行的。在这项工作中,我们建议从历史数据的重点变化,产生的预测提取功能。我们使用样本外预测,通过放大组合方法的多样性来获得预测组合的权重。一组丰富的时间序列被用来评估所提出的方法的性能。实验结果表明,我们的基于多样性的预测组合框架不仅简化了建模过程,而且在点预测和预测区间方面都取得了优异的预测性能。我们的建议的价值在于它的简单性,透明度和计算效率,从优化和决策分析的角度来看,这些元素都很重要。
2021-08-19 stat.ME stat.ML
Bayesian Modal Regression for Forecast Combinations
本研究提出将模回归纳入预测组合的贝叶斯分层框架,利用非对称重尾误差分布建模条件模,在真实分析师预测数据中优于均值回归,揭示了收入预测误差的偏态与肥尾特性。
2025-04-04 stat.ME
Bayesian Forecasting in Economics and Finance: A Modern Review
本综述系统回顾了贝叶斯统计范式在经济学与金融学概率预测中的应用,阐述了如何通过积分量化未知量不确定性,并介绍了现代贝叶斯计算方法及实施细节。
2023-07-29 econ.EM stat.AP stat.ME
Hydrological time series forecasting using simple combinations: Big data testing and investigations on one-year ahead river flow predictability
National Technical University of Athens(雅典国家技术大学);Hellenic Air Force(希腊空军)
提供有用的水文预报对于城市和农业用水管理、水力发电、洪水保护和管理、减轻和缓解干旱以及河流流域规划和管理等至关重要。在这项工作中,我们提出和评估一个新的简单而灵活的水文时间序列预测方法。这种方法依赖于(a)至少两种单独的预测方法和(b)预测的中值组合。该评价是通过使用一个大的数据集,包括90年的平均年径流量的时间序列,从大约600站。这些监测站覆盖北美和欧洲的大部分地区,代表了各种气候和集水特征,因此可以共同支持基准测试。对每个时间序列应用了五种单独的预测方法和26种所介绍方法的变体。应用是在一步提前预测模式。个别方法是最后一次观察基准,简单指数平滑,复杂指数平滑,自动自回归分数积分移动平均(ARFIMA)和Facebook的先知,而26种变体是由上述五种方法的所有可能组合(每两种,三种,四种或五种)定义的。新的方法被确定为长期表现良好,特别是当两个以上的个人预测方法结合在其框架内。此外,在系统框架内的不同的水文预报方法的情况下知情的集成的可能性进行了算法研究和讨论。相关的调查包括线性回归分析,其目的是找到一个有代表性的预测性能指标的值和选定的河流流量统计值之间的可解释的关系.
2020-08-18 cs.LG stat.AP stat.ME
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
On the Forecast Combination Puzzle
本文探讨了预测组合难题的成因,提出多级AFTER策略以解决该问题,通过模拟和实证分析揭示了预测组合场景的重要性。
2015-05-03 econ.GN q-fin.EC stat.ME
A review of machine learning concepts and methods for addressing challenges in probabilistic hydrological post-processing and forecasting
National Technical University of Athens(雅典国立技术大学);Hellenic Air Force(希腊空军)
概率预报在包括水文学在内的各种应用领域中日益受到重视。几个机器学习概念和方法对于解决形式化和优化概率预测实现的主要挑战以及识别这些实现中最有用的实现的同样重要的挑战是显著相关的。尽管如此,注重实际的审查,这些概念和方法,以及如何可以有效地利用这些在上述基本的努力,目前失踪的概率水文预报文献。尽管在同一文献中,从机器学习中受益的研究工作明显加强,但这种缺乏仍然存在。尽管最近出现了实质性的相关进展,特别是在概率水文后处理领域,传统上为水文学家提供概率水文预报实施,但它也成立。我们的目标是填补这一空白。在我们的审查中,我们强调可以导致有效普及的关键思想和信息,因为这种强调可以支持未来的成功实施和进一步的科学发展。在同一个前瞻性的方向,我们确定开放的研究问题,并提出想法,在未来进行探索。
2022-10-30 cs.LG stat.AP stat.ME
Bayesian Forecast Combination with Predictive Priors via Particle Filtering
本文提出带预测先验的贝叶斯预测组合框架,首次将前瞻性信号嵌入时变权重更新,以模型多样性为信号实现DTVW方法,通过模拟与实证验证其预测准确性优于TVW等基准,还能提供模型诊断见解。
2025-08-24 stat.ME
Dynamic Bayesian Predictive Synthesis in Time Series Forecasting
讨论了时间序列预测中的模型和预测组合问题。基于主体意见分析理论的基本贝叶斯观点定义了一个新的框架密度预测组合,并包括几个现有的预测池方法。我们开发了一类新的动态潜在因素模型的时间序列预测合成,基于模拟的计算实现。这些模型可以动态地适应时变的偏差,错误校准和多个模型或预测器之间的相互依赖性。一项宏观经济预测研究强调了综合预测密度之间的动态关系,以及在多个层面提高预测准确性的潜力。
2022-03-02 stat.ME
Target alignment, dilution and forecast selection when cross-sectional forecasts share a common target
University of Pisa(比萨大学)
本文研究共享同一目标的横截面预测,将其分解为对齐与不相关分量,提出谨慎选择规则以消除稀释损失,并在语言模型和机械信号预测中验证,但组合未能胜过无信息预测。
2026-09-23 cs.LG econ.EM q-fin.ST
Cross-temporal forecast reconciliation: Optimal combination method and heuristic alternatives
本文提出迭代跨时间预测协调程序及最优点预测闭式解,同时处理同期和时间层级约束,并在澳大利亚GDP季度数据上验证其优于单维度协调方法。
2020-10-19 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
Model combinations through revised base-rates
预测模型的标准选择标准侧重于为每个系列独立计算的信息,而不考虑候选模型的一般趋势和性能。在本文中,我们提出了一种新的统计模型选择和模型组合方法,该方法结合了候选预测模型的基本率,然后对其进行修改,以便考虑到每个系列的信息。我们研究了两种方案,是基于精度和敏感性信息的列联表的基本利率。我们将我们的方法应用于指数平滑模型和大量的真实时间序列的池,我们表明,我们的计划比标准的统计基准更好地工作。我们讨论了我们的方法与其他交叉学习方法的联系,并提供了有关理论和实践影响的见解。
2021-04-19 stat.AP stat.ME
Netconomics: Novel Forecasting Techniques from the Combination of Big Data, Network Science and Economics
网络理论方法与最近可用的丰富的经济数据相结合,导致开发新的分析和计算工具,用于建模和预测关键经济指标。其主要思想是引入一个拓扑组件的分析,始终考虑到所有高阶的相互作用。我们提出了三种基本的方法来展示不同的方法来利用由此产生的网络增益。首先,使用多元线性回归优化算法来生成国家国际收支账户的各个组成部分之间的关系网络。该模型以高精度描述年度统计数据,并对大多数指标进行了良好的预测。第二,提出了一个全球金融危机的预警机制,它将网络措施与标准经济指标相结合。通过对长期债务证券的跨界证券投资网络的分析,可以用总市值和名义未偿金额来描述各种场外交易的金融衍生品,如信用违约互换的扩散,这与市场相互依存程度和系统性风险的增加有关。第三,考虑到G-20经济体之间货物贸易的流动网络,网络统计数据为关键经济指标提供了比传统指标更好的代理。例如,它表明,一个国家的守门潜力,作为衡量当地权力,预测其国内生产总值的年度变化一般远远好于其进出口量。
2014-03-04 physics.soc-ph q-fin.GN stat.ME
Combining predictive distributions for statistical post-processing of ensemble forecasts
统计后处理技术现在被广泛用于校正从多个数值天气预报模式获得的集合预报校准中的系统偏差和误差。一个标准的方法是集合模型输出统计(EMOS)方法,一种分布回归方法,其中预测分布由单个参数定律给出,参数取决于集合成员。为感兴趣的天气变量选择一个合适的参数族是一个关键的,然而,往往是不平凡的任务,并一直是最近的研究重点。在这篇文章中,我们评估的优点相结合的预测分布,从多个EMOS模型的基础上不同的参数家庭。通过对两个集合预报系统的风速和降水预报的四个案例研究,我们研究了最先进的预报组合方法是否能够提高预报技巧。
2017-07-13 stat.AP stat.ME
Combining Forecasts Using Ensemble Learning
被认为是个人的预测相结合,以产生一个预测与改进的性能的问题。利用概率启发和分类之间的联系,将组合预测问题归结为集成学习问题。有了这种联系,一些理论上合理的集成学习方法,如Bagging和Boosting,适用于组合预测器。它表明,简单而有效的平均预测方法是等价的袋。这提供了理论上的见解,为什么建立良好的平均预测方法的工作如此之好。此外,一个非线性组合的预测,可以实现通过助推,这是理论上产生的组合预测,校准和高度精炼。最后,建议的方法相结合的预测良好的判断项目的数据集,并表现出优于个人的预测。
2017-07-08 stat.ME
Revisiting Francis Galton's Forecasting Competition
本文重新检验了弗朗西斯·高尔顿(Francis Galton)在1907年发表的一篇文章中描述的重量判断比赛的数据。一些错误的纠正后,它表明,这种预测竞争是一个有趣的前兆,统计预测文献中的两个最近的事态发展。一种是预测组合,这里的平均预测与结果完全一致,第二种是使用两段频率和概率分布来描述不对称性。
2014-10-15 stat.ME
What drives the accuracy of PV output forecasts?
由于光伏(PV)发电的随机性,预测PV输出以更好地将PV发电并入电网的需求很高。关于影响预测准确性的因素的系统知识至关重要,但大多数情况下仍然未知。在本文中,我们回顾了180篇关于PV预测的论文,并提取了预测误差数据库进行统计分析。我们发现,在预测模型中,混合模型始终优于其他模型,最有可能成为光伏发电预测的未来。数据处理技术的使用与预测质量呈正相关,而预测范围的长度和样本外测试集对预测精度有负面影响。我们还发现,包括数值天气预报变量,数据归一化和数据恢复是最有效的数据处理技术。此外,我们发现了一些证据,樱桃采摘报告错误,并建议测试集至少是一年,以更好地评估模型的性能。该文件还采取了第一步,建立一个基准评估光伏产量预测。
2021-11-03 econ.EM stat.AP stat.ME