下面以资深金融/研究报告解构专家的视角,对论文 “Regularized Ensemble Forecasting for Learning Weights from Historical and Current Forecasts” 进行系统、详尽且来源可溯的逐段剖析,覆盖元数据、每一主要章节、所有重要表格与图形的逐一解读、方法论点评、风险识别,以及最终综合结论。为便于溯源,凡直接基于原文得到的陈述或推断,句末均标注了原文页码索引 [page::x](同一处最多标注两页)。整个分析分节清晰,图表处我以 markdown 插入原文图片(相对路径),并逐一解释图中的信息与作者所依结论。
一、元数据与概览(任务、作者、核心结论)
标题:Regularized Ensemble Forecasting for Learning Weights from Historical and Current Forecasts;作者:Han Su, Xiaojia Guo, Xiaoke Zhang;机构:George Washington University、University of Maryland 等;历史/发布日期条目标注为 February 13, 2026。 1
研究主题与问题定位:提出一种名为 REF(Regularized Ensemble Forecasting)的加权集合预测方法,关键点在于同时利用“当前专家预测”(current forecasts)与“历史表现”(historical performance)来学习线性意见池的权重,从而在面对极端预测或专家池不稳定时提高预测稳健性与准确性。作者声称该方法在两项实证(M5 Walmart 销售与 SPF 宏观指标)中优于主流基准。 1 4
核心方法与主张(一句话):用一个目标函数最小化集合预测的“变异性项”(或其单调变换)并加上以历史表现为依据的正则化项,通过调节 lambda 在“当前信息”与“历史先验”之间权衡,并给出贝叶斯解释与若干具体变形(Identity / Log 变换,L2 / Entropy penalty 等)。作者同时给出渐进理论保证和数值实现细节,并在实证中展示性能优越性。 3 4
二、逐节深度解读(按报告结构逐章剖析)
A. 引言与文献背景(Section 1)
论述要点:作者回顾组合预测领域已有结论(集合通常优于单一预测器;常见方法为线性意见池)并区分两类赋权策略——仅用当前预测的方法(如简单均值、trim/winsorize)与仅用历史表现的方法(基于误差协方差、回归/stacking 等)。他们指出两类方法各有优劣:当前预测法对极端值敏感但数据收集要求低;历史法能依据表现赋权但高维协方差估计易不稳定,历史记录不完整时又受限。 1 2
支撑证据与引用:文献回顾引用 Bates & Granger (1969)、Winkler (1981)、Jose & Winkler 等,说明作者建立论文动机在于填补“同时利用当前信息与历史信息”的方法学空白。 1 2
B. 方法框架:REF 的构建(Section 2.1,公式与直观)
基本形式:在标准线性意见池约束(wi ≥ 0, sum wi = 1)下,先提出变异性最小化的 ex-ante 目标 Var(sum wi μi),在独立同分布预测 μi 的假设下将其近似为 sum wi^2 (μi - E[μ])^2(即基于当前预测的偏差衡量)并据此构建基准目标。此处作者的关键建模转折在于:用当前预测的横向离散(而非历史误差)作为变异项,从而在 y 未观测时仍可做稳定化优化。 5
加入正则化(历史信息):在上述变异项外,加入一个基于 prior weights s 的 penalty Φ(w) 并乘以调节参数 λ,且允许对变异项做单调变换 f(例如 identity 或 log),最终目标为 min_w f(∑ wi^2(μi−E[μ])^2) + λ Φ(w),满足凸组合约束。该结构允许用简单的历史摘要(s)来纳入历史信息,避免完全依赖完整历史轨迹。 6
具体常见 Φ:L2 penalty Φ_L2 = ∑ (wi − si)^2(将权重拉回先验 s)以及 Entropy penalty Φ_Ent = ∑ si log(1/wi)(等价于 KL(s || w) 的变体),作者指出二者在正则效果与贝叶斯解释上各有对应。 6
直观效果:变异项会惩罚偏离群体中心的极端预测(小 wi 给极端者),正则项则能将权重收缩到过往表现好的专家上,λ 控制二者的权衡。作者还说明当 f(x)=x 且 Φ 为 L2 时可得闭式解(附录给出),复杂情形则需数值优化(softmax reparam.)实现。 6 37
C. 理论性质(Section 2.2; Proposition 1 与 Theorem 1)
基准速率(简单均值 MSPE):作者先给出 simple mean 的 MSPE 速率:E[(bar μ − y)^2] = O(1/k) + σ_y^2,表明当专家数 k→∞ 时,均值的误差收敛速率为 1/k(仅残留 y 的不可约方差项)。这为后续比较提供基线。 7
REF 的渐进保证(Theorem 1):在四类 f 与 Φ 的组合(f∈{identity, log}, Φ∈{L2, Entropy})下,并对 λ 取适当阶次,作者证明 REF 的 MSPE 也达到 O(1/k)+σ_y^2,即与 simple mean 拥有同阶渐进效率,说明引入变换与正则化在大样本下不损失速度率。证明依赖数理假设(附录 A.2)和若干引理,关键是构建特定可行权重向量并界定权重导致的方差项上界。 7 42
D. 说明性例子(Section 2.3 与 Figures 1–2)
目的:用可视化说明 wi* 如何受当前预测“偏离度” (μi − E[μ])^2 与 prior s 共同驱动,以及 λ、f、Φ 的作用差异。作者以 k=2 与 contour/feasible-region 方式展示四种 (f, Φ) 组合下的权重形态变化和 λ 轨迹。 7
主要观察:在 f(x)=x 时,w1* 相对于偏差呈近线性下降;f(x)=log(x) 时下降在小偏差处更陡、在大偏差处趋缓(scale-compression);Entropy penalty 相较 L2 在相同 λ 下驱动权重更贴近 s(更强正则)。这些直观结论在 Figure1 与 Figure2 中可视化得到支撑。 8 9
E. 贝叶斯对应(Section 3)
总体思想:作者建立一个层次贝叶斯模型:w ~ π(α), β|(w,μ) ~ h(·|w,μ), y|β ~ g(·|β);由于 y 在合并时通常未观测,采取类似 EM 的策略:在 E-step 对 y 的后验做期望,再在 M-step 对 w 最大化期望对数后验(即 Q(w|μ))——这一步与 REF 的目标等价,且不同选择的先验/观测分布对应不同 f 与 Φ 的形式。 10
具体对照:作者给出数个显性对应关系:
Shifted Log-Entropy:Dirichlet 先验 + θ|w,μ ~ N(w'μ, w'Σw) + known σ^2 for y 结果产生 f(x) = log(σ^2 + x) 与 Φ = Entropy;并通过设定 α_i − 1 = λ s_i 解释 prior s 与 λ 的含义。 12
Shifted Log-L2:Normal prior leads to log(σ^2 + x) + L2 penalty。 13
Log-Entropy / Log-L2:当 y 的方差未知并用 Normal-Gamma 层次时,得到 f(x)=log(x) 的无移位版本与相应 penalty。 15
Identity-L2 / Identity-Entropy:通过对精度/方差的不同建模(Gamma scale 的指数关系)可得到 f(x)=x 版本及相应 penalty。整体说明每个函数形式有明确贝叶斯生成机制。 16 17
F. 数值实现(Section 4)
Softmax reparam:为满足 wi 约束(非负且和为1),作者采用 softmax 参数化 wi = exp(zi)/∑ exp(zj) 并在无约束空间对 zi 优化(常用技巧,使得数值优化稳定)。 17
λ 的选取:通过 rolling-window 验证(图 3 示意)在候选 λ 网格中选择在滚动验证窗口上平均表现最好的 λ;若专家池固定则用统一 λ ,若专家池随时间变化则为每个测试期重新调参并对缺失进行横向均值插补或对新专家的 prior 做插补。作者在 M5 与 SPF 两个案例中对应采用不同窗口长度与重调策略。 18 19
Nuisance 参数估计:E[μ] 以简单均值估计;σ^2 用 simple-mean 的过去残差样本方差估计;先验权重 s 采用 Soule et al. (2024) 的 CCR(common correlation weights)公式,具体为在假设常对角线相关 ρ_c 下用误差方差 v_i^2 与共同相关性估计算出 s_i,必要时用最大后验估计 ρ_c,并对缺失历史的专家以横向平均 precision 填补。作者详述了计算 v_i^2、ρ_c 的作法与缺失处理策略。 19 20
G. 实证设计与评估(Section 5):M5 与 SPF 两项研究细节
总体策略:作者实现了 6 种具体贝叶斯/REF 变体(文中 Table 1 汇总),并最终取这六种模型的平均预测作为 REF 的最终输出(并报告另一个方案:在验证期选取单一最佳规格,结果相近)。评估指标为 RMSSE(M5 比赛常用尺度无关指标)并在 SPF 用类似标准化的 RMSSE 比较。 20 21
对比基准:包括只用当前预测的 simple mean、trimmed mean、winsorized mean;只用历史的 variance weights、CCR、contribution-weighted,以及 stacking regressor(ridge meta-learner);M5 还加了竞赛基准 ES_bu 与 Best Expert。作者在两项数据上对不同 k(专家池大小)与 horizon 做子实验。 21 22
三、图表深度解读(逐一图表说明、趋势与作者结论的联系)
注:下列每处图像我以原文给出的相对路径插入(保持原文图片资源引用),并对图形中的信息、趋势与作者结论逐一解读与评述。
Figure 1(Contour plots of w1*)——图片并解释:
描述:四个子图对应 (a) f(x)=x, Φ=L2;(b) f(x)=x, Φ=Entropy;(c) f=log, Φ=L2;(d) f=log, Φ=Entropy,横轴为 (μ1 − E[μ])^2(专家1当前预测与共识偏差平方),纵轴为 prior s1,颜色/等高线表示最优 w1* 的值(从 0 到 1)。图上固定 μ2 并设定 λ 为使视觉可比。 8
数据趋势与解读:图显示 w1* 随偏差平方增加而下降,随先验 s1 增大而上升,验证了“偏离共识会被惩罚、历史表现高会被提升”的机制;在 log 变换下(c,d),w 对小偏差更敏感而对大偏差更不敏感(压缩效应),Entropy penalty(b,d)使得等高线在 s 方向更密集,表明在相同 λ 下 Entropy 对 s 的响应更强(更强的 prior 拉回)。这些可视化直接支撑方法的直观公平性与作者关于 f 与 Φ 行为差异的论述。 8
Figure 2(Feasible region & objective contours)——图片并解释:
描述:以 k=2 展示目标函数的等值线(变异项水平集为同心椭圆)、约束线 w1 + w2 = 1、以及由 Φ 定义的可行集(灰色色块,不同深浅表明不同 λ),点示 prior s 与 variance-optimal 初始点 w0,展示随着 λ 增大最优点沿连线从 w0 向 s 移动。四图对应四组合。 9
数据趋势与解读:作者用该图说明 λ 的角色(λ=0 时为方差最优,λ→∞ 时趋于 prior),并指出 log 变换下权重靠近 s 的速率在小 λ 与大 λ 情形不同(小 λ 时向 s 移动慢,λ 大时更快)。Entropy penalty 导致的可行区形状使得权重更快靠近 s(更强正则)。此图直观说明了正则如何在可行集约束下改变解的位置与敏感性。 9
Figure 3(Rolling-window validation)——图片并解释:
描述:示意如何用长度 l 的滚动窗口估计 s 并在接下来的验证期评估候选 λ,然后逐步平移窗口以获得平均表现。 19
实践含义:该流程在 M5(固定专家池)与 SPF(变化池)中有不同实现:前者可固定 λ*,后者则为每个测试期重调 λ 并对缺失做插补。该实现细节直接影响方法的稳健性与泛化能力。 18 19
Figure 4(∆RMSSE vs Penalty Share 在 M5 的箱线图)——图与解释:
描述:对比 REF 相对 Simple Mean(蓝)与 CCR(红)在三种 expert pool 大小(k=5,15,50)的 ∆RMSSE(benchmark − REF)在低/中/高 Penalty Share(PS)分箱下的分布。 29
主要结论(作者):当 PS 小(历史权重贡献小)时,REF 更接近于 current-only 方法(Simple Mean);当 PS 大时,REF 更接近历史-only 方法(CCR);对于中等 pool(k=15),中等 PS 情形的改进最大。作者据此说明 REF 能根据 PS 自动调整依赖来源。图形显示 REF 对 Simple Mean 的改进随 k 增大而更显著,而对 CCR 的优势则相对平稳。 29
Figure 5(SPF:∆RMSSE vs PS 分箱按 horizon)——图与解释:
描述:类似 Figure4,但用于 SPF(旋转专家池)并按 horizon h=0 与 h=1 分面。 30
结论:在 SPF(历史信息较少或不稳定)中,REF 对历史-only 基准 CCR 的改进在低 PS 区间更显著,而对 current-only 基准的改进则在高 PS 区间显著;h=1(更长预估期限)时中等 PS 区间的益处最大,显示出在池不稳或历史信息稀疏时 REF 的平衡化策略尤为重要。 30
Figure 6(PS 比率分布:M5 与 SPF)——图片与解释:
描述:左图显示 M5 中 PS 比率(PS15/PS5 与 PS50/PS15)的箱线图,右图显示 SPF 中不同宏观变量的 PS_h1/PS_h0 比率。 31
解读:M5 中较大的专家池通常会导致更高的 PS(即正则/历史 influence 随 k 增加而增大),特别是从 k=5 到 k=15 的提升最明显;SPF 中不同指标在 h=1 相对于 h=0 的 PS 变化无统一模式(例如失业变化在 h=1 更多依赖历史,CPI 在 h=1 更依赖当前),说明 horizon 与变量特性共同决定历史 vs 当前的重要性。 31
Table 1(Bayesian 对应汇总)——位置与含义:
表格在 Section 4(page 17)用于总结六个贝叶斯模型及其在一般框架下对应的 f 与 Φ 形式(Shifted Log-Entropy, Shifted Log-L2, Log-Entropy, Log-L2, Identity-L2, Identity-Entropy)。此表帮助读者在贝叶斯建模与优化目标之间建立直接映射并指导实践中模型选取。 18
Table 2(M5 的 aggregation levels)——说明:
列出 M5 的前 9 个层次与对应 series 数(作者聚焦前 9 层共 154 条序列以减少稀疏性问题)。该表用于说明实证样本构成与层次结构。 22
实证说明:作者选择 top-k 团队作为专家池并在不同 k 值上做横向对比(k=5,10,15,20,50)。 23
Table 3(M5 性能主表:k=15 时 avgRMSSE)——关键数字解读:
在 k=15 情形下,REF(作者的方法,平均六个规格)在所有层次 Avg RMSSE = 0.335,排名第 1;第二名为 CCR(0.343),第三为 Variance Weights(0.348),StackingRegressor 表现最差(0.935),竞赛基准 ES_bu 为 0.529,Best Expert 为 0.397。作者据此断言 REF 在 M5 上整体领先。该表并给出每个层次标准差以评估结果波动。 24
解读要点:性能差距并非巨大但稳定;CCR 与 Variance Weights(历史信息类)在此固定池、历史完整的数据集上表现较好,支持作者关于历史信息在稳定专家池中有价值的结论。Stacking 的差表现可能由于不加约束的回归系数在样本量相近时过拟合并产生极端系数,作者指出这一点。 24
Table 4(M5 不同 k 的总体表现)——摘要:
REF 在 k=5..50 中总体最优通常出现在 k=15(最小 avgRMSSE = 0.335),作者指出当引入更多低质量专家(k 增大到 20 或 50)时表现会下降,表明在实践中挑选合适的专家池大小与剔除差评者仍重要。 25
Table 5(SPF 实证结果摘要)——主要结论:
在 SPF(旋转专家池)上,REF 在多数情形下也优于基准,尤其在 nowcast(h=0)情形与 CPI、GDP 等指标上表现明显优于历史-only 方法;但在某些情形(例如 UNEMP h=1)Stacking 有时得到更小误差。总体上,作者认为 REF 在专家池变化或历史稀疏时优势更明显,因为它能自适应平衡当前与历史信息。 27
四、估值/定价类分析(此报告不直接适用,但给出方法“评估”)
说明:原文并非公司估值或资产定价研究,因此不存在传统的估值模型(DCF、P/E 等)的直接应用。此处“估值分析”可理解为对 REF 方法的性能/稳定性估计:作者用 MSPE 与 RMSSE 作为“效用/价值”指标,并提供渐进理论(同速率 O(1/k))与交叉验证选择 λ 的实践流程以估计模型泛化表现。关于输入敏感性,作者通过不同 f、Φ、λ 与 prior s 形式做了多重规格测试,并对 penalty share(PS)做了分析,以衡量“历史信息价值”在不同场景下的相对贡献。 7 28
五、风险因素评估与方法局限(基于原文陈述与隐含假设)
下面列出作者识别或隐含的风险/假设,并评估其潜在影响与缓解策略(如有):
μ_i 的独立同分布及与 y 的独立假设(Assumption 1)
风险:作者为了把 Var(sum wi μi) 简化为 ∑ wi^2 Var(μ_i) 等做出 μ_i 独立同分布并与 y 独立的假设;在实际多专家/模型生成环境中,专家预测常存在相关结构或系统偏差,且 μ 的分布可能与 y 的生成机制相关(例如模型共享数据或信息泄露)。这会使得基于当前预测的变异项近似偏差且可能低估协同误差。作者在附录中讨论了该假设并以之证明渐进性质,但在有限样本、强相关情形下其结论可能受损。 5 38
缓解:作者在先验 s 中允许使用 CCR(考虑共同相关)并在估计 v_i^2 与 ρ_c 上做最大后验估计以捕捉部分相关性,但这仍依赖于历时数据和 constant-correlation 假设,若相关结构复杂,估计与插补均会增加误差。 19 20
先验权重 s 的估计与缺失专家处理
风险:当专家进入/退出(SPF 情形)或部分专家历史稀疏时,作者用横向均值插补或把缺失精度用集合平均来估计,这可能引入偏差并把差专家与优秀专家拉近,削弱正则信息的辨别力。 18 19
缓解:作者通过对每个测试期重新调 λ 并限制专家池以保证 prior 可估算,但这种策略在极短历史窗口仍有局限。 18 19
λ 的选择与模型敏感性
风险:λ 控制历史 vs 当前的权重,作者用滚动窗口交叉验证选择 λ*,但在非平稳环境或窗口样本偏差下,λ 的估计可能过拟合验证期模式,导致测试期表现下降。作者在实证中通过动态调参与窗口设置尝试减小风险,但方法仍依赖于多个调参超参(窗口长度 l, T 等)。 18 28
建议:可补充贝叶斯后验传播(full posterior)来对 λ 进行不确定性量化,或采用稳健验证(不同窗口长度与随机子样)测试 λ 的稳健性。作者提到贝叶斯框架能给出 full posterior,这为进一步 regularization of λ 提供可能。 10 4
选择 f 与 Φ 的模型不唯一且组合繁多
风险:作者提供六种规格并平均,虽然提高稳健性,但会增加模型选择复杂性与解读难度;不同应用场景对 f/Φ 有不同偏好,且作者并未给出一套自动化规则来在新任务中优选规格(仅通过验证选择 λ 与可能的规格)。 18 20
建议:未来可研究信息准则或贝叶斯模型平均(BMA)来权衡不同规格,并在小样本场景下评估平均与单一最优选择的偏差-方差权衡。作者在附录也比较了“选择最佳规格”与“平均”二者效果并报告结果相近。 20 48
在 stacking / 回归基础上对比不完全对等
观察:作者指出 StackingRegressor 在多数实验中表现较差,原因包括未施加非负/和为一约束导致极端权重、历史样本不足时过拟合等。该对比表明 REF 的约束(非负、和为一)在小样本与高维专家数时能提高稳定性。 21 24
六、批判性视角与细微之处(审慎评述)
优点总结(客观):REF 理论与实践结合紧密——既有贝叶斯解释、渐进保证,也给出可行的数值实现(softmax + rolling CV + CCR 先验)与丰富实证(M5 完整历史、SPF 旋转池),并通过 Penalty Share 机制量化当前 vs 历史信息权重,相当系统。作者对不同 f/Φ 的对照也有助于实践者按场景选择。 4 18 29
需要关注/谨慎点:
μ_i 独立与 Σ 对角化的假设较强;若专家预测具有复杂相关结构(例如模型族共享外生输入),使用对角 Σ 会低估方差与协同错误,需要更复杂的协方差建模或鲁棒化估计(作者有提到 CCR 但其常相关假设也有局限)。5 19
实证中的优势虽一致但量级并非极端(例如 M5 avgRMSSE 从 0.343 (CCR) 改进到 0.335),说明在很多场景中 REF 的收益是边际性的但稳定的;决策者需评估计算与调参成本是否值得。 24
在专家池快速变化(SPF)或历史极端稀疏时,prior s 的估计与 λ 调整会主导结果,若估计有偏,REF 可能“被误导”向次优 prior 收缩。作者在文中就旋转池给出重调流程并做敏感性测试,但该问题仍需在更多不同类型数据上进一步验证。 26 28
EM 式的 E-step 采用对 y 的期望(相对传统 EM 的条件分布依据上一次参数)是一个设计选择,作者说明此处并非传统 EM 的迭代形式,而是在 w 优化时对 y 取 p(y|w,μ) 的期望;这种处理虽可导出与贝叶斯 MAP 等价的优化目标,但在非正态或 heavy-tail 条件下其统计性质需谨慎。作者在附录给出若干情形的具体导出,但使用者在极端分布下应额外验证。 10 44
七、结论性综合(最终总结,含表/图关键见解)
方法精要:REF 提出以当前预测变异项与历史先验正则化共同构成的目标函数,通过 f(identity/log)与 Φ(L2/Entropy)提供灵活族并可从贝叶斯层次模型导出相应形式,softmax 做参数化、rolling CV 选 λ,CCR 或 variance-based weights 用作 prior s。该方法在理论上在 k→∞ 时与 simple mean 达到相同 O(1/k) 收敛速率,同时在有限样本下通过正则化提高稳定性。 4 7 17
实证核心结论:在两种不同特征的数据集(M5:固定池且历史完整;SPF:旋转池且历史稀疏)中,REF(六规格平均)在大多数设定下优于代表性的当前-only 与 history-only 基准,且其优势模式可用 Penalty Share(PS)解释:当 PS 高时,REF 更仰赖历史先验(类似 CCR);当 PS 低时,REF 更依赖当前预测(类似 simple mean);中间 PS 值通常带来最大效益。M5 表明随 k 增大,历史信息在权重优化中的作用也随之增强(PS 上升),而 SPF 则显示不同目标与 horizon 的 PS 行为差异,指示应用场景需定制化。 24 28 31
对实践者的具体建议:
若专家池固定且历史完整(如 M5 情形),REF 常能带来稳健改进,建议采用 CCR-based prior s 并在中等 k(例如 ~15)处尝试 REF。 24
若专家池随时间变化或历史碎片化(如 SPF),应在每个测试期重调 λ,并对 s 的缺失采用谨慎的插补/不确定性量化(例如以先验分布而非点估计),同时关注 PS 的分布以判断当前/历史的相对价值。 18 19 28
若使用 stacking 等回归组合器,应考虑施加非负与和为一的约束或引入类似 L2/Entropy shrinkage 以避免系数极端化带来的不稳定性。作者的实证正说明了约束的稳定性价值。 21 24
八、可供后续研究或实践扩展的方向(作者也在结论中提及)
将 REF 扩展到概率预测(ensemble 分布而非点预测);
修改目标以适用于二分类或离散结果(作者建议将方差最小化改为熵最小化并与 Beta–Bernoulli 层次模型对应);
更复杂的协方差/依赖建模以放宽 μ_i 的独立假设并处理专家间复杂相关结构。 31 32
附:关键引用页面(用于快速核验)
标题/作者/日期与研究动机:page 0–3;
方法与公式(基本目标、f、Φ、定式化):page 4–6;
贝叶斯对应与具体模型变体:page 9–16;
数值实现(softmax, rolling CV, s 与 σ^2 的估计):page 16–19;
M5 实证细节与结果表(Table 2–4, Fig 1–2, Fig 4,6):page 21–24,28,30;
SPF 实证与 Table 5、Fig 5:page 25–26,29。 1 24
結語:本文提出的 REF 是一个方法学上清晰、贝叶斯与 frequentist 均可解释、并在实践中经过充分验证的集合预测框架。其关键价值在于以可解释的 λ 控制当前信息与历史先验的平衡,并通过多种 f/Φ 的规格提供灵活性。实证显示在固定专家池且历史完整的场景下,历史信息更有价值;在专家池变化的情形下,灵活的加权与重新调参带来优势。方法的局限主要来自对专家预测独立性与先验估计的假设,以及 λ 与 prior s 在历史稀疏场景下的估计不确定性,实践中应对这些因素做专门的稳健性检验或不确定性量化。 4 28
如果你希望,我可以:
提供针对你特定数据(例如你的专家预测矩阵)的一套 REF 实施建议(包括滚动窗口长度 l、候选 λ 网格、prior s 的计算步骤与缺失处理流程);或
帮你把本文的六个规格的 R/Python 可执行模板写成可直接套用的代码(含 softmax 优化与 rolling CV 实现);或
针对文中某一张图/表(例如 Table 3 或 Figure 4)给出更细致的统计显著性检验与可视化重绘建议。
你希望我接下来先做哪项?