Das Granularitäts-Paradoxon: Wie zeitliche Disaggregation die In-Sample-Anpassung verstärkt und Out-of-Sample-Fehler verschärft

Dieses Papier untersucht das Granularitäts-Paradoxon in der Zeitreihen-Vorhersage, bei dem feinere zeitliche Disaggregation (z.B. Monatlich zu Wöchentlich/Täglich) die In-Sample-Diagnostik und Datensatzgröße (N) verbessert, aber die Out-of-Sample-Genauigkeit aufgrund rekursiver Fehler verschlechtert…