Algometrics：算法反馈下的预测

arXiv:2605.23978v1 公告类型：新 摘要：在算法市场中，预测模型成为他们旨在预测的数据生成过程的一部分。一旦他们的产出转化为交易、分配、执行计划或风险控制，他们就会改变评估他们的未来数据。我介绍了算法计量学，这是一种时间序列框架，其演变取决于预测它们的预测算法。该框架将被动预测下衡量的历史风险与预测驱动行动时衡量的部署风险区分开来。我证明了三个结果。首先，仅从被动历史数据中无法识别部署风险：即使在一步线性反馈模型中，无限多个算法介导的环境也会引发相同的历史规律，同时对同一预测者意味着不同的部署风险。其次，历史模型排名在拥挤情况下可能会发生反转，因此一旦采用类似的算法，被动误差较低的预测器可能会具有较高的部署误差。第三，随机或仪器操作识别短期线性反馈，并且我得出了部署风险估计的有限样本界限。这些结果表明，算法市场中的时间序列基准应该报告反馈敏感性以及预测准确性。