Voorspellingsmodellen

Onze voorspellingsmodellen

Onze uitgebreide bibliotheek met modellen vergroot de kans om uw nauwkeurigheid te verbeteren

Univariate modellen (tijdreeksmodellen)

• ARIMA
  Een autoregressief geïntegreerd voortschrijdend gemiddelde (ARIMA) -model is een generalisatie van een autoregressief voortschrijdend gemiddelde (ARMA) -model.
• HUISDIEREN
  Exponentiële afvlakking is een vuistregel voor het vloeiend maken van tijdreeksgegevens met behulp van de exponentiële vensterfunctie.
  
• theta
  Het Theta-model is een eenvoudige voorspellingsmethode waarbij twee thetalijnen worden aangepast, de lijnen worden voorspeld met behulp van eenvoudige exponentiële afvlakking, en vervolgens de voorspellingen van de twee lijnen worden gecombineerd om de uiteindelijke voorspelling te maken.
• STL
  STL is een veelzijdige en robuuste methode voor het ontleden van tijdreeksen. STL is een afkorting voor „Seasonal and Trend decomposition using Loess”, terwijl Loess een methode is voor het schatten van niet-lineaire relaties.
• DAT
  TBATS is een tijdreeksmodel dat nuttig is voor het verwerken van gegevens met meerdere seizoenspatronen. TBATS is een afkorting voor de belangrijkste kenmerken van het model: T: Trigonometric seasonality B: Box-Cox transformation A: ARIMA errors T: Trend S: Seasonal components.
• ANN
  Een kunstmatig neuraal netwerk (ANN) is een model dat is gebaseerd op een verzameling van verbonden eenheden of knooppunten, kunstmatige neuronen genaamd, die de neuronen in een biologisch brein losjes modelleren.
• Profeet
  Prophet is een procedure voor het voorspellen van tijdreeksgegevens op basis van een additief model waarbij niet-lineaire trends passen bij jaarlijkse, wekelijkse en dagelijkse seizoensinvloeden, plus vakantie-effecten. Het werkt het beste met tijdreeksen met sterke seizoenseffecten en historische gegevens uit verschillende seizoenen. Prophet is bestand tegen ontbrekende gegevens en trendverschuivingen, en gaat doorgaans goed om met uitschieters.

Multivariate, econometrische modellen

• VAR
  Vector Auto Regression is een model dat de lineaire relaties tussen meerdere tijdreeksen vastlegt. VAR-modellen generaliseren het univariate autoregressieve model (AR-model) door meerdere variabelen toe te staan. Alle variabelen in een VAR komen op dezelfde manier in het model terecht: elke variabele heeft een vergelijking die de evolutie ervan verklaart op basis van de eigen achterblijvende waarden, de achterblijvende waarden van de andere modelvariabelen en een foutterm. De berekeningen vinden de beste gemeenschappelijke vertragingslengte voor alle variabelen in alle vergelijkingen (vectoren).
• VECM
  Vectorfoutcorrectiemodellen zijn vooral nuttig voor gegevenssets met langdurige relaties (ook wel co-integratie genoemd). VECM's zijn echter nuttig voor het inschatten van zowel korte- als langetermijneffecten van eenmalige reeksen op een andere. De term foutcorrectie heeft betrekking op het feit dat de afwijking van de laatste periode van een evenwicht op lange termijn, de fout, de dynamiek op korte termijn beïnvloedt. Deze modellen schatten, naast de langetermijnrelaties tussen variabelen, ook rechtstreeks de snelheid waarmee een afhankelijke variabele terugkeert naar het evenwicht na een verandering in andere variabelen.
  
• VARMA
  In de statistische analyse van tijdreeksen geven Auto-Regressieve, Moving-Average (ARMA) -modellen een beschrijving van de relaties tussen de variabelen in termen van de twee factoren: autoregressie (AR) en voortschrijdend gemiddelde (MA). Het AR-gedeelte omvat het regresseren van de variabele op basis van zijn eigen achterblijvende (d.w.z. vroegere) waarden. Het MA-gedeelte omvat het modelleren van de foutterm als een lineaire combinatie van fouttermen die gelijktijdig en op verschillende tijdstippen in het verleden voorkomen. VARMA is de VAR (multivariate) versie van het ARMA-model.
• ARDL
  Auto-regressieve gedistribueerde lag was het standaardmodel voordat het VAR-model werd uitgevonden. Vergeleken met de VAR is het een minder complex model, waarbij de variabelen niet als onderling gerelateerd worden gezien. De belangrijkste variabele die wordt voorspeld, is afhankelijk van de indicatoren, maar de indicatoren zijn niet afhankelijk van andere indicatoren of de hoofdvariabele.

Multivariate, bestrafte modellen

• Ridge-regressie
  Dit is een manier om Bayesiaanse modellen te gebruiken in een VAR-raamwerk. Vóór Lasso was stapsgewijze selectie de meest gebruikte methode om te kiezen welke variabelen moesten worden opgenomen. In die tijd was nokregressie de meest populaire alternatieve techniek die werd gebruikt om de voorspellingsnauwkeurigheid te verbeteren. Ridge-regressie verbetert de voorspellingsfouten door grote regressiecoëfficiënten te verkleinen om overfitting te verminderen, maar het voert geen variabele selectie uit en helpt daarom niet om het model beter interpreteerbaar te maken.
• Lasso
  Lasso, Least Absolute Shrinkage and Selection Operator is de meest succesvolle toepassing van AI binnen de econometrie. Lasso werd geïntroduceerd om de voorspellingsnauwkeurigheid en interpreteerbaarheid van regressiemodellen te verbeteren door het modelaanpassingsproces te wijzigen om slechts een subset van de geleverde onafhankelijke variabelen te selecteren voor gebruik in het uiteindelijke model in plaats van ze allemaal te gebruiken. Lasso dwingt bepaalde coëfficiënten op nul te zetten, waardoor in feite een eenvoudiger model wordt gekozen dat deze coëfficiënten niet bevat.
• Elastisch net
  Het elastische net is een regressiemethode die de lasso- en ridgemethoden (zie hieronder) lineair combineert. Kortom, de elastische netmethode vindt de nokregressiecoëfficiënten en voert vervolgens een lasso-achtige krimp van de coëfficiënten uit.
• VECM Lasso
  Vectorfoutcorrectiemodellen zijn nuttig voor datasets met langdurige relaties (ook wel co-integratie genoemd). VECM's zijn nuttig voor het inschatten van zowel korte- als langetermijneffecten van eenmalige reeksen op een andere. De term foutcorrectie heeft betrekking op het feit dat de afwijking van de vorige periode van een evenwicht op lange termijn, de fout, de dynamiek op korte termijn beïnvloedt. Deze modellen schatten, naast de langetermijnrelaties tussen variabelen, ook rechtstreeks de snelheid waarmee een afhankelijke variabele terugkeert naar het evenwicht na een verandering in andere variabelen. Deze versie wordt gecombineerd met Lasso, Least Absolute Shrinkage en Selection Operator, waardoor bepaalde coëfficiënten op nul worden gezet, waardoor in feite een eenvoudiger model wordt gekozen dat deze coëfficiënten niet bevat.
• Groep Lasso
  In 2006 introduceerden Yuan en Lin de groep lasso, zodat vooraf gedefinieerde groepen covariaten samen in of uit een model kunnen worden geselecteerd, zodat alle leden van een bepaalde groep al dan niet worden opgenomen.
• • Lag Group Lasso
    Groepereert de reeks op basis van de vertragingen van de verklarende variabelen. Het model selecteert de variabelen en hun vertragingen op basis van lag-groepering, wat betekent dat de eerste vertragingen, tweede vertragingen enz. van alle variabelen in groepen worden ingedeeld. Als ze niet bijdragen, worden hele groepen bestraft.
  • Lasso met vertragingsgewicht
    Bestaat uit een Lasso-penalty die geometrisch toeneemt met de vertraging. Dit betekent dat bij deze modellen kortere vertragingen prioriteit krijgen, vergeleken met de configuratie in andere VAR-modellen.
  • Endogeen-eerst
    VARX Endegenous-First gebruikt een penalty om prioriteit te geven aan endogene series. Met een bepaalde vertraging kan een exogene reeks alleen in het model terechtkomen als hun endogene tegenhanger niet nul is. Klik hier voor meer informatie.
  • Straf voor eigen/andere groep
    In dit model maakt de groepering onderscheid tussen de eigen vertragingen van een serie en die van andere series. Deze structuur is vergelijkbaar met Componentwise (zie hieronder), maar geeft prioriteit aan „eigen” vertragingen boven „andere” vertragingen voor een specifieke vertraging. Dit is gebaseerd op de hypothese dat eigen vertragingen informatiever zijn dan andere vertragingen.
  • Eigen of andere schaarse groepsstraf
    Sparse verwijst naar het niet bestraffen van een hele groep. In bepaalde scenario's kan een groepsstraf te restrictief zijn. Aan de andere kant zal het hebben van veel groepen de rekentijd aanzienlijk verlengen en in het algemeen de voorspellingsprestaties niet verbeteren.
• Hiërarchische autoregressie van vectoren (HVAR)
  Hiërarchische automatische vectorregressie, HVAR-modellen, verminderen het probleem dat de voorspellingsprestaties beginnen af te nemen, aangezien elke toegevoegde variabele democratisch wordt behandeld, ondanks het feit dat gegevens die verder weg liggen over het algemeen minder nuttig zijn bij het maken van voorspellingen. In plaats van één universele vertragingsvolgorde op te leggen, kunnen vertragingen per HVAR-model verschillen. Er zijn geen exogene variabelen in het HVAR-raamwerk.
• • Componentwise Lasso
    In Componentwise-modellen hebben alle variabelen dezelfde maximale vertraging.
  • Eigen/andere Lasso
    Legt een extra hiërarchische laag op: in het HVAR-raamwerk wordt prioriteit gegeven aan „eigen” vertragingen boven „andere” vertragingen.
  • Elementwise Lasso
    De meest algemene structuur, in elk marginaal model kan elke serie zijn eigen maximale vertraging hebben.

Modellen met gemengde frequentie (multivariaat)

• MIDAS
  Mixed Data Sampling (MIDAS) -modellen maken gebruik van hoogfrequente indicatoren om een laagfrequente variabele te voorspellen. Door een lag-distributiefunctie in te bouwen, wordt het aantal parameters laag gehouden, waardoor het risico op overaanpassing wordt verkleind.
• Onbeperkte MIDAS
  Unrestricted Mixed Data Sampling (MIDAS) -modellen maken gebruik van hoogfrequente indicatoren om een laagfrequente variabele te voorspellen.
  
• MIDAS Sparse groepsstraf
  Mixed Data Sampling (MIDAS) -modellen maken gebruik van hoogfrequente indicatoren om een laagfrequente variabele te voorspellen. Door een schaarse groepsstraffunctie toe te passen, worden de parameters naar nul gekrompen, waardoor het risico op overaanpassing wordt verkleind.
• MIDAS Lasso
  Mixed Data Sampling (MIDAS) -modellen maken gebruik van hoogfrequente indicatoren om een laagfrequente variabele te voorspellen. Door een lasso-penaltyfunctie toe te passen, worden de parameters naar nul gekrompen, waardoor het risico op overaanpassing wordt verkleind.

Modellen voor machinaal leren (multivariaat)

• ANN
  Het kunstmatige neurale netwerk (ANN) is een model geïnspireerd op biologische neurale netwerken zoals het menselijk brein. Het model is een voorbeeld van een schaarser machine learning-model vergeleken met LSTM en GRU. Dit verkleint het risico op overfitting en biedt toch meer flexibiliteit dan een lineair model. ANN is getraind op gegevens met behulp van varianten van gradiëntafdaling, zoals AdaGrad en ADAM.
• LSTM
  Het model voor het lange kortetermijngeheugen (LSTM) is een kunstmatig terugkerend neuraal netwerk. Dankzij de feedbackverbindingen is het bijzonder geschikt voor het verwerken van gegevensreeksen. LSTM-modellen worden gebruikt voor veel verschillende taken, zoals spraak- en videoanalyse, maar ook voor tijdreeksanalyse. Een van de belangrijkste sterke punten van een LSTM-model is de flexibiliteit, het kan complexe structuren in gegevens identificeren dankzij de niet-lineaire activeringsfuncties en de zware parametrisering. LSTM wordt getraind op gegevens met behulp van varianten van gradiëntafdaling, zoals AdaGrad en ADAM.
  
• GRU
  Het gated recurrente unit (GRU) -model is een soort terugkerend neuraal netwerk. Als zodanig is het zeer geschikt voor sequentiële gegevens zoals tijdreeksen. De belangrijkste kracht is de hoge flexibiliteit in vergelijking met lineaire modellen; een GRU-model kan niet-lineaire patronen in gegevens identificeren, waardoor het deze nauwkeuriger kan beschrijven. Het lijkt op LSTM, maar heeft minder parameters, waardoor het risico op overaanpassing op kleinere gegevenssets wordt verkleind. GRU is getraind op gegevens met behulp van varianten van gradiëntafdaling, zoals AdaGrad en ADAM.