预测是识别真实世界的重要途径,也是经济和金融等领域的首要研究问题。为了能正确地预测未来数据,研究者分别构建参数、非参数和半参数等模型来刻画数据背后的规律。这些模型之间各具优势,又彼此竞争,而且它们都携带着对预报分析有价值的信息。为了科学地利用模型中的有效信息并作出准确预报,学者们提出了两种思路,即模型选择方法和模型平均方法。模型选择是依据某种标准,从待选的模型中挑选出相对最优的模型,然后再做推断和预测分析。模型选择能在一定程度上提高预测精度,但是仅选择一个最优模型进行预测的做法具有片面性,可能会遗漏次优模型含有的重要信息和面临模型误设问题。为了捕捉更多有用信息于最终模型中,就需要用到模型平均预测方法,即根据现有信息构造出若干种可能的候选模型,然后分别给每个候选模型赋权,对候选模型预测值进行加权平均,得到最终的预测值。模型平均预测方法可以灵活地调整最终模型的结构,减少信息遗漏,有效提高预测精确度。模型平均预测方法的研究方向大致可以分为两大类:一是被平均的子模型类别的扩充,二是如何确定子模型的权重。在充分理解现有研究的基础上,本文对子模型权重的确定方法进行了创新,分别提出用经验似然法和自适应变权重这两种方法来确定权重,形成了两种基于新型权重的模型平均预测方法。理论上来说,这两种创新模型平均法能够有效提升预测精度,理由如下:第一,经验似然统计推断方法是一种非参数方法,相较于作先验分布假设的参数统计方法有其特有的优势,因此引入经验似然法来确定子模型权重,可以充分利用数据的真实信息,进而提高预测准确性;第二,在复杂预测环境下,子模型对数据更新的适应程度不可能是不变的,而适应程度体现在子模型的权重上,因此改变固定权重的设定,构造随数据更新而自动变化的自适应变权重,可以更加准确地预测未来的数据。在充分阐述新方法的理论知识后,本文通过数值模拟有力地验证了两种创新模型平均法的预测效果,具体来看,以Li等(2018)的部分线性变系数模型作为子模型,比较了两种新模型平均预测方法和最小二乘模型平均法的预测效果,得出了在数据波动较大并具有相依性特征的情形下,本文提出的两种创新模型平均法均有明显优势的结论。最后,将模型平均法用于金融市场的波动率预测,以经典的HAR-RV模型和三个考虑“杠杆效应”的HAR-RV模型构成子模型集合,再用AIC、最小二乘、经验似然和自适应变权重模型平均法进行加权平均预测,通过比较分析,进一步验证了两种创新模型平均法在实际数据预测中的优势,且发现其优势在极端情况下更加明显。因此,本文提出经验似然和自适应变权重模型平均法,并用数据在一定程度上证明了它们的优势,以期能为各领域的预测提供一种新的思路。