我们正式介绍了一个时序统计学习方法,称为自适应学习,能够在嘈杂的环境中处理模型选择,采样外预测和解释。通过仿真研究,我们证明该方法可以在条件切换的情况下呈现传统的模型选择技术,例如AIC和BIC,以及促进数据生成过程时的窗口尺寸确定是时变的。根据性地,我们使用该方法来预测S&P 500跨越多个预测视野,从VIX曲线和产量曲线采用信息。我们发现自适应学习模型通常与,如果不是更好的话,如果不是更好的参数模型,在MSE方面评估,同时也在交叉验证下表现优于效果。我们在2020年市场崩盘期间提出了学习结果的财务应用和对学习制度的解释。这些研究可以在统计方向和金融应用方面延伸。
translated by 谷歌翻译