# [2021-11-26] Dr. Jiun-Hua Su, Academia Sinica, "No-Regret Forecasting with Egalitarian Committees" Timmermann對於經濟學家所做的種種預測提出以下質疑： “combination methods that attempt to explicitly model time variation in the combination weights often fail to perform well, suggesting that time regime switching or model breakdown can be difficult to predict or even track through time” 他認為把所有專家的經濟預測做一個simple average就能贏過所有學者所研究的各種預測模型的結果，那我請這些學者來做經濟預測似乎就沒有太大的意義。 講者提出了”不後悔的經濟預測”模型，其以歐元區的實質經濟成長率為研究題目，要預測出t+45 days的time series，一般資料的取得會是以問卷的方式詢問專家對於經濟成長率的預測意見作為標準，意即Survey on professional broadcast(SPF survey)。自1999年以來，共有131位專家參與預測，然而有些專家不一定會每一季都參與，為了使資料完整，剔除連續兩季未回答者，因此總人數下降至M=21，而missing value 以補值的方式填補之。 然而以過往OLS的方式，其精確度無法勝過simple equally weighted average，並發現其中有極大的數值不穩定，因此找尋到的解決方法為Ridge Estimator，把weight shirnk到1/M上，在加以微調。講者提出招開committee的做法，以ensemble的概念去做經濟預測，但有時專家之預測表現不盡理想，因此想辦法使用L1 norm的方式partial out，剩餘18位專家，並往1/18的方向shrinking。但是過往的做法停止於此，不做optimization，因此講者以此為發展方向，將每一種的可能性做計算，在pick一個optimized value作為結果，意即divide and conquer。 此外，講者也提出這個做法的理論背景，過往統計與計量經濟學家，假設所有的x與y都是隨機變數，並假設為機率模型，希望捕捉經濟發生重大變化時的前後預測。而專家所使用的模型皆為未知，因此講者提出online learning技巧，使平均regret越小越好，以hedge algorithm得到一個理論的結果。長期來說，該結果是weekly better than committee。 在實際的過往資料上，此方法是否能贏過simple average呢？在covid19前，兩者互有勝負，但在covid19後，此法勝過simple avg！但為什麼會比較好呢？可能是隨著經濟結構的改變，此法能動態改變不同專家的權重，使covid19來時，能夠聖果以不變應萬變的simple avg。 結論上，此法面對數值不穩定時使用shrink法，招開committee做經濟預測，像是ensemble一樣；而每個expert使用的模型皆不同，因此用hedge algorithm隨著環境改變調整權重，依據forecast puzzle shrink到1/M。整體上市先做了ensemble在做online learning，類似於使用random forest，也像是每個committee去denoise/normalize的結果！ ## Note ### The note I write is totally summarized version of speaker with minor my opinion. The citation is described below. ## Citation ### Topic: No-Regret Forecasting with Egalitarian Committees ### Speaker: Dr. Jiun-Hua Su