迈向稳健的早期预警模型：方法竞逐、集成学习与模型不确定性
统计金融
2016-04-04 v3 计算工程、金融与科学
计算金融
经济学
摘要
本文提出了构建稳健危机预测模型的初步步骤。我们对作为早期预警模型的传统统计方法与较新的机器学习方法进行了竞逐分析。由于文献中的单个模型大多是在与其他方法隔离的情况下构建的，因此该练习对于评估各种方法的相对性能具有高度相关性。此外，我们测试了多种集成方法以聚合所构建模型的信息产出，从而为衡量国家层面的脆弱性提供更稳健的基础。最后，我们提供了在早期预警实践中估计模型不确定性的方法，特别是模型性能不确定性和模型输出不确定性。本文提出的方法以欧洲为应用场景进行了展示。总体而言，我们的结果表明，传统统计方法的表现不如更先进的机器学习方法（如 k-近邻和神经网络），尤其不如通过集成学习进行的模型聚合方法。
引用
@article{arxiv.1501.04682,
title = {Toward robust early-warning models: A horse race, ensembles and model uncertainty},
author = {Markus Holopainen and Peter Sarlin},
journal= {arXiv preprint arXiv:1501.04682},
year = {2016}
}