Newest papers

Target alignment, dilution and forecast selection when cross-sectional forecasts share a common target

Masoud Soleimani · 2026 · arXiv (Cornell University)

DOI: 10.48550/arxiv.2609.26303 · cited by 0 works (OpenAlex) · open-access PDF

French

Les prédicteurs marquent souvent les mêmes unités par date contre un résultat réalisé standardisé. Nous montrons que chaque prédiction standardisée se divise exactement en une composante alignée avec cette cible commune et une composante non corrélée avec elle. Trois conséquences suivent: la corrélation prédictions-erreur reflète en grande partie la corrélation prédictions et est donc une faible mesure de la diversité; une combinaison égale-poids bat une prévision de non-information seulement lorsque l'alignement moyen est grand par rapport à la dispersion de la combinaison; et le gain de l'ajout d'un prédicteur sépare l'amélioration réelle et la simple dilution, que l'admission de poids égal peut récompenser à tort. Nous développons

Machine translation (Meta M2M100); the English original follows.

Abstract

Forecasters often score the same units per date against one standardized realized outcome. We show that every standardized forecast splits exactly into a component aligned with this common target and a component uncorrelated with it. Three consequences follow: forecast-error correlation largely mirrors forecast correlation and is therefore a poor measure of diversity; an equally weighted combination beats a no-information forecast only when average alignment is large relative to the combination's dispersion; and the gain from adding a forecaster separates into genuine improvement and mere dilution, which equal-weight admission can mistakenly reward. We develop a cautious selection rule, study it in simulations, and apply it to language-model forecasts of US equity rankings and mechanical signals ranking exchange-traded funds. Selection removes most dilution losses, but no combination beats the no-information forecast.

Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese

Topics: Selection (genetic algorithm), Uncorrelated, Econometrics, Statistics, Ranking (information retrieval), Measure (data warehouse)

Sources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange