movement prediction-adjusted naive forecast: 金融时间序列预测中的惰性基线是否不可战胜？
计算工程、金融与科学
2025-10-20 v11 人工智能
机器学习
计量经济学
机器学习
摘要
在金融时间序列预测中，惰性 forecast 因数据随机性质而是著名的难以超越的基准。为了应对这一挑战，本研究引入了 movement prediction-adjusted naive forecast (MPANF)，这是一种系统性地通过纳入方向信息来细化惰性 forecast 的 forecast 组合方法。具体而言，MPANF 采用由三个组成部分构成的增量来调整惰性 forecast：以样本内平均增量作为基准幅度，以 movement prediction 作为符号，以样本内 movement prediction 准确率为比例因子。针对八个金融时间序列的实验结果显示， 当 movement prediction 准确率约为 0.55 时，MPANF 通常优于包括惰性 forecast、带漂移的惰性 forecast、IMA(1,1) 和线性回归在内的常见基准。这些发现表明，在可靠的 movement prediction 可用时，MPANF 有望超越惰性基线。
引用
@article{arxiv.2406.14469,
title = {Movement Prediction-Adjusted Naive Forecast: Is the Naive Baseline Unbeatable in Financial Time Series Forecasting?},
author = {Cheng Zhang},
journal= {arXiv preprint arXiv:2406.14469},
year = {2025}
}