基于粒子滤波的贝叶斯预测先验 forecast 组合

我们提出了一种贝叶斯 forecast 组合框架，首次将前瞻信号——即预测先验（predictive priors）——直接嵌入时间可变权重更新过程中。该方法使权重能够同时利用历史 forecast 绩效和预期未来模型行为。我们以模型多样性作为前瞻信号，实现了多样性驱动的时间可变权重（Diversity-Driven Time-varying Weights, DTVW）方法。与标准时间可变权重（Time-varying Weights, TVW）方法相比，DTVW 嵌入了多样性驱动的预测先验，对冗余性进行惩罚，鼓励来自各组成模型的有信息贡献。仿真实验覆盖简单完整模型集合和复杂误指定模环境，表明 DTVW 通过动态聚焦于表现良好的模型提高了 forecast 准确性。对多步-ahead 油价 forecast 和美国通胀与 GDP 增长的双变量 forecast 的实际应用表明，其优于包括等权重、贝叶斯模型平均和标准 TVW 在内的基准方法。除了准确性提升之外，基于多样性的预测先验还提供了对模型不完整性和 forecast 不确定性的诊断性见解，使 DTVW 在现有贝叶斯组合方法之外更具适应性和信息性。