大规模动态预测回归

我们开发了一种新颖的“解耦-重耦合”动态预测策略，并为数据丰富环境下的预测和经济决策文献做出了贡献。在此框架下，预测变量集群以预测密度的形式生成不同的潜在状态，随后在隐含的时变潜在因子模型内进行综合。因此，预测密度和偏差之间的潜在相互依赖性被序贯学习和修正。与稀疏建模和变量选择过程不同，我们不先验假设存在给定的活跃预测变量子集来刻画感兴趣量的预测密度。我们通过研究大量财务比率和宏观经济变量对不同行业的股权溢价和美国通货膨胀率的预测内容来测试我们的方法，这是金融和宏观经济学中两个备受关注的话题。我们发现，我们的预测综合框架在保持预测变量可解释性的同时，产生了具有统计和经济显著性的样本外收益。此外，主要实证结果强调，我们提出的框架优于 LASSO 型收缩回归、基于因子的降维、序贯变量选择和等权线性池化方法。