Apr, 2014

信息集对预测的作用 - 应用于风险管理

PDF
TL;DR研究了信息数量增加对预测机制的影响，证明了预测机制的正确规范可以提高预测准确性；通过严格一致的评分函数展示了增加信息集的效应，并且探究了信息集序列中值在风险管理和预测方面的实际应用。
forecasting mechanismsscoring functionsincreasing information setsdiebold-mariano testvalue at risk (var)
发现论文，激发创造
  • 多元概率预测评估中的可靠区域

    本文通过对多元概率时间序列预测的妥善评估进行了系统的有限采样研究，并通过对合成基准的权力分析，确定了评分规则的 “可靠区域”，以确定其在识别预测误差方面的可靠性，并结合电力生产问题对其在实际任务中的通用性进行了评估。

    Apr, 2023

  • 评估概率预测

    本研究提出了一种新的评估概率预测效果的方法，该方法利用损失函数以及马氏理论来评估预测结果与实际情况之间的关系。

    Feb, 2012

  • 决策树归纳的信息增益估计改进

    本研究探讨了常见的决策树信息增益估算方法的偏差问题，并通过改进离散熵和微分熵的估算方法，提高了分类和回归预测性能。

    Jun, 2012

  • 无分布偏差，控制风险的预测集

    本文介绍了一种基于黑盒预测器实现集值预测、控制用户指定水平下的未来测试点期望损失大小以及使用 holdout 集来校准优化预测集大小的方法，这种方法能够提供简单、分布自由和严密的误差控制，适用于多个任务，如分类问题、多标记分类、分类问题中带有层次结构的标签、图像分割和蛋白质结构预测，还有拓展探讨。

    Jan, 2021

  • 理解贝叶斯模型的预测信息准则

    本文从贝叶斯角度回顾了 Akaike、偏差和 Watanabe-Akaike 信息准则，比较这些方法在三个简单的例子中的应用，以及在预测背景下估计预期的样本外预测误差。

    Jul, 2013

  • 可靠性、充分性和合适得分的分解

    本文探讨了如何通过得分规则衡量概率预测方案的性能，包括在二元情况下的 Brier 得分和有限值目标的预测，分析了分辨率和可靠性对得分的积极影响以及与预测质量相关的概念。

    Jun, 2008

  • 基于风险分解的严格适当评分规则的预测不确定性量化

    区分预测不确定性的来源对于在各个领域中应用预测模型至关重要。本研究提出了一个基于统计推理的通用框架，不仅可以创建新的不确定性度量，还可以澄清它们之间的关系。我们的方法利用统计风险区分了随机不确定性和认知不确定性，并利用适当的得分规则进行量化。为了使其在实践中可行，我们提出了将贝叶斯推理纳入该框架的思路，并讨论了该近似方法的性质。

    Feb, 2024

  • 概率评分规则的对比

    该文研究了几种评分规则，以便为概率预测模型评分或估计模型参数。研究发现，采用对数评分规则以在更不确定的情况下犯错为优势，采用球形评分规则则以在较低不确定性下犯错为优势，而其他评分规则则对两种选择都不关心。

    Dec, 2011

  • 战略学习中的信息差异

    研究决策规则中的非透明度对个体战略学习能力的影响，通过推理学习规则（如申请贷款的朋友和熟人等）来实现对规则的了解，并证明了在许多自然情况下可以同时保证各个子群体的最优改进。

    Mar, 2021

  • 在计算限制下可用信息的理论

    本文提出了一个基于信息论的新框架，旨在解决复杂系统中的信息推理问题，该框架基于 Shannon 信息理论的变分扩展，结合了建模能力和计算限制，提出了预测 V - 信息的概念，在模型表示学习和系统结构学习方面表现优于传统的相互信息的方法。

    Feb, 2020