时间序列基础模型出现预测崩溃
一项研究发现，时间序列基础模型在预测1,000只美国股票的小时收益率时会出现“预测崩溃”：预测结果近乎扁平，股票排名表现也很差。相比之下，在相同条件下预测交易量时，该现象大幅减弱。研究人员认为，原因包括目标变量的可预测性较低，以及按单个序列优化的目标函数无法识别序列之间的结构。最小化平方误差会导致扁平预测，而直接优化横截面相关性虽能改善排名，却可能使预测幅度放大一个数量级以上。研究提出CalibRank，在校准和排名之间取得平衡，并在Finance1K上将横截面相关性提升近三倍。
本文来源：Hugging Face，仅供学习参考，版权归原作者所有。