加载中...
本文提出一种半结构化离散时间多状态模型,将可解释的结构化加性预测器(线性项与时间/协变量的平滑项)与可学习复杂非线性与高阶交互的神经网络组件相结合,并通过对神经部分相对结构化设计矩阵的正交化确保可识别性;在月度离散观测下,作者推导了从多组二元Logit到离散时间竞争转移概率的精确映射,并在Freddie Mac贷款面板的外时点测试中发现,半结构化模型在近期预测跨度上对判别能力有稳健但温和的提升,而Brier分数相近,宏观变量在该外时点评估中边际贡献有限
元数据与概览(引言与报告概览)
逐节深度解读
图表与视觉数据逐项解读(关键图表逐一分析)
估值/模型推断(Method & Estimation)详解
风险因素评估(报告识别与潜在影响)
批判性视角与细微差别(审慎的评价)
结论性综合(最终总结)
附:关键图表(文中引用图片)
若需我进一步:
2603.26309.pdf