Regularized Ensemble Forecasting for Learning Weights from Historical and Current Forecasts
创建于 更新于
摘要
本文提出Regularized Ensemble Forecasting (REF) 框架：通过最小化基于当前预测的变差项并加入基于历史表现的正则化项来学习线性组合权重，从而兼顾当前信息与历史绩效，支持多种变换 f 与惩罚 Φ，并在贝叶斯层级模型下给出等价解释；在 Walmart M5 和 SPF 宏观数据实证中，REF 优于多项基准方法，且能自适应地在“当前预测”与“历史表现”之间平衡权重[page::2][page::3][page::19].
