Участник:Artur

Материал из MachineLearning.

(Различия между версиями)
Перейти к: навигация, поиск
(Новая: ==Обзор статьи “Combining multivariate density forecasts using predictive criteria”== В данной статье обсуждается построение комби...)
м (викификация)
Строка 3: Строка 3:
В данной статье обсуждается построение комбинации многомерных прогнозов плотности для инфляции, процентных ставок на определенном наборе моделей. Рассматривается 3 модели, каждая из которых дает точечные многомерные прогнозы: BVAR, FAVAR, DSGE.
В данной статье обсуждается построение комбинации многомерных прогнозов плотности для инфляции, процентных ставок на определенном наборе моделей. Рассматривается 3 модели, каждая из которых дает точечные многомерные прогнозы: BVAR, FAVAR, DSGE.
# BVAR – Байесовская векторная авторегрессия. Модель задается следующим выражением:
# BVAR – Байесовская векторная авторегрессия. Модель задается следующим выражением:
-
<center>y<sub>t</sub>=<math>\sum_{n=0}^\p \A<sub>i</sub>y<sub>t-i</sub>+B+e<sub>t</sub></math>,(1)</center>
+
::<tex>y_t = \sum_{n=0}^\p A_i y_{t-i} + B + \varepsilon_t,</tex>
-
<center>где B-вектор констант, e<sub>t</sub>∈N(0,Σ).</center>
+
где B-вектор констант, <tex>\varepsilon_t \in N(0,\Sigma)</tex>.
-
&nbsp;Данная модель рассматривается с числом лагов p=2,3,4.
+
 
 +
Данная модель рассматривается с числом лагов <tex>p=2,3,4</tex>.
# FAVAR - дополненная факторами векторная регрессия.
# FAVAR - дополненная факторами векторная регрессия.
# DSGE.
# DSGE.
-
Построение плотности прогноза для каждой модели одинаково. Выполняется это следующим образом: путем итераций на каждом шаге строится величина z<sub>k,t+h</sub> по следующим формулам:
+
Построение плотности прогноза для каждой модели одинаково. Выполняется это следующим образом: путем итераций на каждом шаге строится величина <tex>z_{k,t+h}</tex> по следующим формулам:
-
На каждом шаге в качестве г<sub>k,t+h</sub> берется нормальное распределение с нулевым математическим ожиданием и некоторой дисперсией (в одномерном случае). Повторение процедуры 1000 раз позволяет там получить картину распределения вероятности прогноза.
+
На каждом шаге в качестве <tex>r_{k,t+h}</tex> берется нормальное распределение с нулевым математическим ожиданием и некоторой дисперсией (в одномерном случае). Повторение процедуры 1000 раз позволяет там получить картину распределения вероятности прогноза.
Комбинация прогноза плотности строится как взвешенная линейная комбинация соответствующих прогнозов плотности каждой рассматриваемой модели (не совсем понятно как складывать плотности).
Комбинация прогноза плотности строится как взвешенная линейная комбинация соответствующих прогнозов плотности каждой рассматриваемой модели (не совсем понятно как складывать плотности).

Версия 08:33, 5 сентября 2008

Обзор статьи “Combining multivariate density forecasts using predictive criteria”

В данной статье обсуждается построение комбинации многомерных прогнозов плотности для инфляции, процентных ставок на определенном наборе моделей. Рассматривается 3 модели, каждая из которых дает точечные многомерные прогнозы: BVAR, FAVAR, DSGE.

  1. BVAR – Байесовская векторная авторегрессия. Модель задается следующим выражением:
y_t = \sum_{n=0}^\p A_i y_{t-i} + B + \varepsilon_t,

где B-вектор констант, \varepsilon_t \in N(0,\Sigma).

Данная модель рассматривается с числом лагов p=2,3,4.

  1. FAVAR - дополненная факторами векторная регрессия.
  2. DSGE.

Построение плотности прогноза для каждой модели одинаково. Выполняется это следующим образом: путем итераций на каждом шаге строится величина z_{k,t+h} по следующим формулам: На каждом шаге в качестве r_{k,t+h} берется нормальное распределение с нулевым математическим ожиданием и некоторой дисперсией (в одномерном случае). Повторение процедуры 1000 раз позволяет там получить картину распределения вероятности прогноза.

Комбинация прогноза плотности строится как взвешенная линейная комбинация соответствующих прогнозов плотности каждой рассматриваемой модели (не совсем понятно как складывать плотности). Предлагается 3 способа определения весов:

  1. Самым простым способом является обычное усреднение;
  2. Байесовский подход. Веса моделей могут быть вычислены по следующей формуле:
Личные инструменты