跳到正文

论文解读

arXiv 论文中文摘要 + 关键要点 · 最近 90 天· 已显示 3 篇

econ.EM·已译

实用 DML 与 AI 学习表示

Pragmatic DML with AI-Learned Representations

Andres Aradillas Fernandez · Victor Chernozhukov · Carlos Cinelli · 4+

文本、图像等丰富对象越来越多地通过 AI 学习表示作为控制变量进入因果分析。对一大类估计量而言,用表示替代原始对象会使目标偏移,偏移量为两个误差的内积:一个来自结果回归,一个来自平衡权重。因此偏差受二者规模乘积的约束。由此可得三点结论。表示固定时,常规交叉拟合去偏机器学习(DML)区间对表示特定目标有效;当近似偏差相对抽样误差可忽略时,该区间对因果目标也有效。若该偏差不可忽略,敏感性分析可界定因果目标并为端点提供置信界。当嵌入在样本上调优时,三种方法可保持有效推断:固定菜单微调、联合损失调优和双重表示选择。一个多模态需求应用展示了该工作流程。

econ.EM·已译

tempdisagg:时间序列数据时间拆分的 Python 框架

tempdisagg: A Python Framework for Temporal Disaggregation of Time Series Data

Jaime Vera-Jaramillo

tempdisagg 是一个开源 Python 包,用于从低频基准数据(可选地结合高频指标)估计高频时间序列,并确保估计值聚合后精确等于基准值。它实现了基于回归的 Chow-Lin、Fernández 和 Litterman 估计量,动态 Chow-Lin 模型,Denton 和 Denton-Cholette 基准化过程以及均匀分布,其公式和默认值与 R 包 tempdisagg 一致,并将 Proietti 的自回归分布滞后模型作为实验性扩展。所有广义最小二乘估计量共享一个引擎,其中残差协方差通过其三角因子应用,使得一次似然评估的计算复杂度为 O(n n_l^2) 而非 O(n^2 n_l)。该包提供完整的推断(系数、标准误、基于似然的准则、预测方差以及自回归参数的完整轮廓和识别诊断),接受额外的精确线性约束、多个指标和聚合权重,并提供精确的非负和横截面协调、滚动原点回测、修订分析、一致性诊断和共同因子检验。通过覆盖 29 个参考案例的自动化测试套件确保与 R 的一致性:在固定自回归参数下,预测值和统计量的相对差异在 10^{-15} 到 10^{-7} 之间;在估计参数下,去除优化器容差差异后,一致性约为 10^{-8}。使用高频值已知的序列进行的实验说明了所报告的工具如何支持方法选择。

econ.EM·已译 有解读

外国信号去哪了?贡献者构成与社交媒体情绪可靠性

Where Has the Foreign Signal Gone? Contributor Composition and the Reliability of Social Media Sentiment

Piyush Akimitsu Ulrich Hounyo

社交媒体情绪越来越多用于预测股票收益,其可靠性取决于生成信息流的群体构成。对海外公司而言,最了解它们的本土市场投资者在英文 Twitter 上代表性不足,因此其信息流应携带更不精确的信号。对公司层面 Twitter 情绪进行简约式分析显示,情绪噪声对下一季度亏损的预测在外围股票上不如本土股票稳定。亏损对噪声的斜率在本土股票中有 78% 的季度为负,但在外围股票中仅 48% 的季度为负,且斜率均值差异显著。通过一个噪声理性预期模型解释该差异:信息流携带由三类贡献者产生的公共信号。专家反复发帖并包含公司信息,注意力驱动的贡献者只发一次帖且包含公司信息与短暂潮流,自动化账户反复发帖但不含公司信息。各贡献者类型的占比与潮流规模决定信号精度,进而决定信息流噪声有多少进入价格。该模型仅用供应商的聚合指标即可给出重复作者占比、潮流与精度,无需账户级数据,而此前工作从价格信息含量反推精度。结构估计显示,外围股票的信息流具有更高的重复作者占比、更大的潮流成分和更不精确的信号。因此,外国信号并未消失,而是被稀释了。

已到最早一页已出中文摘要 3