学者提出时序非平稳下排名反转分解框架

2026年11月4日，Deying Song 和 Xueying Ding 在 arXiv 平台发布论文《Decomposing Rank Reversals under Temporal Nonstationarity: Alignment, Aggressiveness, and Instability》。该研究旨在解决时序非平稳条件下的评估难题，提出了一种无模型分解框架。框架将样本外决定系数 $R^2$ 数学分解为目标对齐、校准失当激进度及预测不稳定性三个核心组成部分。 研究在理论推导上，得出了局部漂移情况下岭回归的最优内存闭式方程，并将该结论通过代理界方法扩展应用于更复杂的神经网络架构。这一推导为理解模型动态表现提供了严格的数学基础。在实证层面，论文在大规模金融数据集上对 14 种不同模型进行了基准测试。结果显示，排名的反转现象主要激进度激增驱动，验证了所提分解框架的有效性。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。