最优模型平均方法是处理模型不确定性的一种方法，也是一种集成学习方法，在经济预测和生物医学等领域有广泛的应用。现有的最优模型平均方法的权重均是非时变的。但是，受到制度变迁、技术进步、经济周期波动等诸多因素的影响，经济金融系统大多存在时变特征，预测模型的预测能力大多是随着时间发生变化的。为解决这一问题，中科院数学与系统科学研究院研究员、智源青年科学家张新雨团队提出了基于局部Jackknife准则的时变权重模型平均方法，分别在静态模型与动态模型情况下，证明了时变权重的渐近最优性，并证明了时变模型平均系数估计值的相合性。这个工作实现了从非时变到时变最优权重的跨越，提高了具有时变结构的经济金融系统的预测精度。相关成果发表在计量经济学顶级期刊Journal of Econometrics (forthcoming)。
Yuying Sun, Yongmiao Hong , Tae-Hwy Lee , Shouyang Wang , Xinyu Zhang.Time-varying model averaging.Journal of Econometrics2021
