Target alignment, dilution and forecast selection when cross-sectional forecasts share a common target
Aggiunta all'archivio di AIChronos il (numero del 22 settembre 2026 ricostruito)· fonte del · Masoud Soleimani
L'articolo dimostra che ogni previsione standardizzata può essere scomposta in un componente allineato a un obiettivo comune e uno non correlato. Di conseguenza, la correlazione tra errori di previsione è spesso una misura inadeguata della diversità delle previsioni. L'autore propone regole caute per selezionare i forecasters, distinguendo il miglioramento genuino dalla semplice diluzione causata dall'ammissione indiscriminata.
- Ogni previsione standardizzata si divide esattamente in un componente allineato al target comune e uno non correlato ad esso.
- La combinazione equamente ponderata supera una previsione senza informazioni solo quando l'allineamento medio è elevato rispetto alla dispersione della combinazione.
- L'aggiunta di nuovi forecasters può portare a diluzione delle prestazioni se non si distingue tra miglioramento reale e semplice rumore.
- Una regola di selezione cauta applicata alle previsioni dei modelli linguistici sugli equity USA elimina la maggior parte delle perdite da dilusione, ma nessuna combinazione supera comunque il benchmark senza informazioni.
- La correlazione degli errori riflette largamente quella delle previsioni stesse, rendendola un indicatore povero della diversità.
Perché conta. Per gli sviluppatori di LLM e agenti AI locali è cruciale comprendere come aggregare le uscite dei modelli senza introdurre diluzione artificiale o sovrastimare la qualità basandosi solo sulla correlazione degli errori.
Scheda generata automaticamente da un modello AI locale a partire dalla fonte originale: può contenere imprecisioni.