Modelli previsionali

I nostri modelli di previsione

La nostra vasta libreria di modelli aumenta le possibilità di migliorare la precisione

Modelli univariati (modelli di serie temporali)

• ARIMA
  Un modello di media mobile integrata autoregressiva (ARIMA) è una generalizzazione di un modello di media mobile autoregressiva (ARMA).
• SET
  Il livellamento esponenziale è una tecnica pratica per uniformare i dati delle serie temporali utilizzando la funzione finestra esponenziale.
  
• Theta
  Il modello Theta è un metodo di previsione semplice che prevede l'adattamento di due linee theta, la previsione delle linee utilizzando un semplice livellamento esponenziale e quindi la combinazione delle previsioni delle due linee per produrre la previsione finale.
• STL
  STL è un metodo versatile e robusto per la decomposizione delle serie temporali. STL è l'acronimo di «Seasonal and Trend decomposition using Loess», mentre Loess è un metodo per stimare le relazioni non lineari.
• THATS
  TBATS è un modello di serie temporali utile per la gestione di dati con più modelli stagionali. TBATS è l'acronimo delle caratteristiche principali del modello: T: stagionalità trigonometrica B: trasformazione Box-Cox A: errori ARIMA T: Trend S: componenti stagionali.
• ANN
  Una rete neurale artificiale (ANN) è un modello basato su un insieme di unità o nodi connessi chiamati neuroni artificiali, che modellano vagamente i neuroni di un cervello biologico.
• Profeta
  Prophet è una procedura per la previsione di dati di serie temporali basata su un modello additivo in cui le tendenze non lineari si adattano alla stagionalità annuale, settimanale e giornaliera, oltre agli effetti delle festività. Funziona meglio con serie temporali che hanno forti effetti stagionali e diverse stagioni di dati storici. Prophet è resistente ai dati mancanti e ai cambiamenti di tendenza e in genere gestisce bene i valori anomali.

Modelli econometrici multivariati

• VAR
  La regressione automatica vettoriale è un modello che cattura le relazioni lineari tra più serie temporali. I modelli VAR generalizzano il modello autoregressivo univariato (modello AR) consentendo l'uso di più variabili. Tutte le variabili in un VAR entrano nel modello nello stesso modo: ogni variabile ha un'equazione che ne spiega l'evoluzione in base ai propri valori ritardati, ai valori ritardati delle altre variabili del modello e a un termine di errore. I calcoli individuano la migliore lunghezza di ritardo comune per tutte le variabili in tutte le equazioni (vettori).
• BECM
  I modelli di correzione degli errori vettoriali sono particolarmente utili per set di dati con relazioni a lungo termine (chiamate anche cointegrazione). I VECM sono tuttavia utili per stimare gli effetti a breve e lungo termine di una serie temporale su un'altra. Il termine correzione degli errori si riferisce al fatto che la deviazione dell'ultimo periodo da un equilibrio di lungo periodo, l'errore, ne influenza la dinamica a breve termine. Questi modelli stimano, oltre alle relazioni di lungo periodo tra le variabili, anche direttamente la velocità con cui una variabile dipendente ritorna all'equilibrio dopo una variazione di altre variabili.
  
• VARMA
  Nell'analisi statistica delle serie temporali, i modelli Auto-Regressive, Moving-Average (ARMA) forniscono una descrizione delle relazioni tra le variabili in termini di due fattori: autoregressione (AR) e media mobile (MA). La parte AR prevede la regressione della variabile in base ai propri valori ritardati (cioè passati). La parte MA prevede la modellazione del termine di errore come una combinazione lineare di termini di errore che si verificano contemporaneamente e in vari momenti del passato. VARMA è la versione VAR (multivariata) del modello ARMA.
• ARDL
  L'Auto-Regressive Distributed Lag era il modello standard prima dell'invenzione del modello VAR. Rispetto al VAR, è un modello meno complesso, in cui le variabili non sono viste come correlate. La variabile principale prevista dipende dagli indicatori, ma gli indicatori non dipendono da altri indicatori o dalla variabile principale.

Modelli multivariati e penalizzati

• Regressione della cresta
  Questo è un modo di utilizzare i modelli bayesiani in un framework VAR. Prima di Lasso, il metodo più utilizzato per scegliere le variabili da includere era la selezione graduale. A quel tempo, la regressione della cresta era la tecnica alternativa più popolare utilizzata per migliorare l'accuratezza delle previsioni. La regressione a cresta migliora l'errore di previsione riducendo i coefficienti di regressione elevati per ridurre l'overfitting, ma non esegue la selezione delle variabili e pertanto non aiuta a rendere il modello più interpretabile.
• Lazo
  Lasso, Least Absolute Shrinkage and Selection Operator è l'applicazione di intelligenza artificiale di maggior successo nell'ambito dell'econometria. Lasso è stato introdotto per migliorare l'accuratezza delle previsioni e l'interpretabilità dei modelli di regressione modificando il processo di adattamento del modello in modo da selezionare solo un sottoinsieme delle variabili indipendenti fornite da utilizzare nel modello finale anziché utilizzarle tutte. Lasso impone l'azzeramento di determinati coefficienti, scegliendo di fatto un modello più semplice che non includa tali coefficienti.
• Rete elastica
  La rete elastica è un metodo di regressione che combina linearmente i metodi lazo e cresta (vedi sotto). Fondamentalmente, il metodo della rete elastica trova i coefficienti di regressione della cresta e quindi esegue una contrazione dei coefficienti a lazo.
• Lazo VECM
  I modelli di correzione degli errori vettoriali sono utili per set di dati con relazioni a lungo termine (chiamate anche cointegrazione). I VECM sono utili per stimare gli effetti a breve e lungo termine di una serie su un'altra. Il termine correzione degli errori si riferisce al fatto che la deviazione dell'ultimo periodo da un equilibrio di lungo periodo, l'errore, ne influenza la dinamica a breve termine. Questi modelli stimano, oltre alle relazioni di lungo periodo tra le variabili, anche direttamente la velocità con cui una variabile dipendente ritorna all'equilibrio dopo una variazione di altre variabili. Questa versione è combinata con Lasso, Least Absolute Shrinkage e Selection Operator che forzano l'impostazione di determinati coefficienti a zero, scegliendo di fatto un modello più semplice che non includa tali coefficienti.
• Gruppo Lasso
  Nel 2006, Yuan e Lin hanno introdotto il lazo di gruppo per consentire di selezionare insieme gruppi predefiniti di covariate all'interno o all'esterno di un modello, in modo che tutti i membri di un particolare gruppo siano inclusi o meno.
• • Gruppo Lag Lasso
    Raggruppa le serie in base ai ritardi delle variabili esplicative. Il modello seleziona le variabili e i relativi ritardi in base al raggruppamento dei ritardi, il che significa che il primo ritardo, il secondo ritardo ecc. di tutte le variabili vengono raggruppati. Se non contribuiscono, interi gruppi verranno penalizzati.
  • Lazo ponderato in lag
    Consiste in una penalità Lazo che aumenta geometricamente con il ritardo. Ciò significa che i ritardi più brevi hanno la priorità in questi modelli, rispetto alla configurazione in altri modelli VAR.
  • Endogeno-First
    VARX Endegenous-First utilizza una penalità per dare priorità alle serie endogene. A un determinato ritardo, una serie esogena può entrare nel modello solo se la sua controparte endogena è diversa da zero. Fate clic qui per ulteriori informazioni.
  • Penalità propria/di altro gruppo
    In questo modello il raggruppamento distingue tra i ritardi propri di una serie e quelli di altre serie. Questa struttura è simile a Componentwise (vedi sotto) ma dà la priorità ai ritardi «propri» rispetto agli «altri» ritardi per un ritardo specifico. Ciò si basa sull'ipotesi che i propri lag siano più informativi degli altri.
  • Penalità propria/altra sparsa di gruppo
    Sparse si riferisce al non penalizzare un intero gruppo. In alcuni scenari, una penalità di gruppo può essere troppo restrittiva. D'altra parte, la presenza di molti gruppi aumenterà notevolmente i tempi di calcolo e generalmente non migliorerà le prestazioni di previsione.
• Autoregressione vettoriale gerarchica (HVAR)
  I modelli Hierarchical Vector Auto Regression, HVAR, alleviano il problema delle prestazioni previsionali che iniziano a peggiorare man mano che ogni variabile aggiunta viene trattata democraticamente, nonostante i dati più distanti tendano generalmente a essere meno utili nelle previsioni. Invece di imporre un unico ordine di ritardo universale, i ritardi possono variare tra i modelli HVAR. Non ci sono variabili esogene nel framework HVAR.
• • Lazo Componentwise
    Nei modelli Componentwise tutte le variabili hanno lo stesso ritardo massimo.
  • Lazo proprio/altro
    Impone un ulteriore livello di gerarchia: dando la priorità ai «propri» ritardi rispetto agli «altri» ritardi nel framework HVAR.
  • Lazo Elementwise
    La struttura più generale, in ogni modello marginale, ogni serie può avere il suo ritardo massimo.

Modelli a frequenza mista (multivariati)

• MIDAS
  I modelli MIDAS (Mixed Data Sampling) utilizzano indicatori ad alta frequenza per prevedere una variabile a bassa frequenza. Installando una funzione di distribuzione del ritardo, il numero di parametri viene mantenuto basso, riducendo il rischio di un adattamento eccessivo.
• MIDAS senza restrizioni
  I modelli MIDAS (Unrestricted Mixed Data Sampling) utilizzano indicatori ad alta frequenza per prevedere una variabile a bassa frequenza.
  
• Penalità di gruppo sparse MIDAS
  I modelli MIDAS (Mixed Data Sampling) utilizzano indicatori ad alta frequenza per prevedere una variabile a bassa frequenza. Applicando una funzione di penalità di gruppo sparsa, i parametri vengono ridotti a zero, riducendo il rischio di un adattamento eccessivo.
• Lazo MIDAS
  I modelli MIDAS (Mixed Data Sampling) utilizzano indicatori ad alta frequenza per prevedere una variabile a bassa frequenza. Applicando una funzione di penalizzazione al lazo, i parametri vengono ridotti a zero, riducendo il rischio di un adattamento eccessivo.

Modelli di machine learning (multivariati)

• ANN
  La rete neurale artificiale (ANN) è un modello ispirato alle reti neurali biologiche come il cervello umano. Il modello è un esempio di modello di apprendimento automatico più scarso rispetto a LSTM e GRU. Ciò riduce il rischio di sovradimensionamento pur offrendo una maggiore flessibilità rispetto a un modello lineare. ANN viene addestrato sui dati utilizzando varianti di discesa del gradiente, come AdaGrad e ADAM.
• LSTM
  Il modello di memoria a lungo termine (LSTM) è una rete neurale artificiale ricorrente. È particolarmente adatto per l'elaborazione di sequenze di dati, grazie alle sue connessioni di feedback. I modelli LSTM vengono utilizzati per molte attività diverse, come l'analisi vocale e video e l'analisi di serie temporali. Uno dei principali punti di forza di un modello LSTM è la sua flessibilità, in grado di identificare strutture complesse nei dati grazie alle sue funzioni di attivazione non lineari e alla parametrizzazione intensiva. L'LSTM viene addestrato sui dati utilizzando varianti di discesa del gradiente, come AdaGrad e ADAM.
  
• GRU
  Il modello Gated Recurrent Unit (GRU) è un tipo di rete neurale ricorrente. In quanto tale, è adatto per dati sequenziali come le serie temporali. Il punto di forza principale è l'elevata flessibilità rispetto ai modelli lineari, un modello GRU è in grado di identificare modelli non lineari nei dati, consentendogli di descriverli in modo più accurato. È simile all'LSTM ma presenta un minor numero di parametri, il che riduce il rischio di sovradimensionamento su set di dati più piccoli. Il GRU viene addestrato sui dati utilizzando varianti di discesa del gradiente, come AdaGrad e ADAM.