EP179 Relevance-Based Prediction

这两篇论文提出并系统阐述了“基于相关性的预测”这一新框架，核心思想是用马氏距离度量历史样本与当前情境的“相似性”及其自身“信息量”，合成为“相关性”后加权历史结果进行预测；引入“拟合度”作为事前即可评估的预测可靠性指标；通过同时优化样本子集与变量组合的“CKT回归”，在保持与线性回归的理论一致性的同时，克服其线性假设与模型僵化，又避免了主流机器学习算法的黑箱与过度依赖经验调参，实现透明、灵活且非任意的高适应性预测。