Modele prognozowania

Nasze modele prognozowania

Nasza obszerna biblioteka modeli zwiększa szanse na poprawę dokładności

Modele jednowymienne (modele szeregów czasowych)

• ARIMA
  Model autoregresyjnej zintegrowanej średniej ruchomej (ARIMA) jest uogólnieniem modelu autoregresyjnej średniej kroczącej (ARMA).
• ETS
  Wygładzanie wykładnicze to praktyczna technika wygładzania danych szeregów czasowych za pomocą funkcji okna wykładniczego.
  
• Teta
  Model Theta jest prostą metodą prognozowania, która polega na dopasowaniu dwóch linii teta, prognozowaniu linii za pomocą prostego wygładzania wykładniczego, a następnie łączeniu prognoz z dwóch linii w celu uzyskania ostatecznej prognozy.
• STL
  STL to wszechstronna i solidna metoda rozkładania szeregów czasowych. STL to akronim od „Sezonowa i trendowa dekompozycja przy użyciu Loessa”, podczas gdy Loess to metoda szacowania relacji nieliniowych.
• TBATS
  TBATS to model szeregów czasowych, który jest przydatny do obsługi danych z wieloma wzorcami sezonowymi. TBATS to akronim kluczowych cech modelu: T: Sezonowość trygonometryczna B: Transformacja Box-Coxa A: Błędy ARIMA T: Trend S: Komponenty sezonowe.
• ANN
  Sztuczna sieć neuronowa (ANN) to model oparty na zbiorze połączonych jednostek lub węzłów zwanych sztucznymi neuronami, które luźno modelują neurony w mózgu biologicznym.
• prorok
  Prophet to procedura prognozowania danych szeregów czasowych oparta na modelu addytywnym, w którym nieliniowe trendy są dopasowane do rocznej, tygodniowej i dziennej sezonowości oraz efektów wakacyjnych. Najlepiej działa z szeregami czasowymi, które mają silne efekty sezonowe i kilka sezonów danych historycznych. Prophet jest odporny na brakujące dane i zmiany trendu, i zazwyczaj dobrze radzi sobie z odstępstwami.

Wielowymiarowe modele ekonometryczne

• VAR
  Wektorowa automatyczna regresja to model, który rejestruje relacje liniowe między wieloma szeregami czasowymi. Modele VAR uogólniają jednozmienny model autoregresyjny (model AR), dopuszczając wiele zmiennych. Wszystkie zmienne w VAR wchodzą do modelu w ten sam sposób: każda zmienna ma równanie wyjaśniające jej ewolucję na podstawie własnych wartości opóźnionych, wartości opóźnionych innych zmiennych modelu i terminu błędu. Obliczenia określają najlepszą wspólną długość opóźnienia dla wszystkich zmiennych we wszystkich równaniach (wektorach).
• VECM
  Modele korekty błędów wektorowych są szczególnie przydatne w przypadku zestawów danych o długoterminowych relacjach (zwanych również kointegracją). VECM są jednak przydatne do szacowania zarówno krótkoterminowych, jak i długoterminowych skutków jednorazowych serii na inne. Termin korekta błędów odnosi się do faktu, że odchylenie ostatniego okresu od równowagi długoterminowej, błąd, wpływa na jego krótkoterminową dynamikę. Modele te szacują, oprócz długoterminowych relacji między zmiennymi, również bezpośrednio prędkość, z jaką zmienna zależna wraca do równowagi po zmianie innych zmiennych.
  
• VARMA
  W analizie statystycznej szeregów czasowych modele Auto-Regressive, Moving-Average (ARMA) przedstawiają opis zależności między zmiennymi w kategoriach dwóch czynników: autoregresji (AR) i średniej ruchomej (MA). Część AR obejmuje regresję zmiennej na własnych opóźnionych (tj. przeszłych) wartościach. Część MA obejmuje modelowanie terminu błędu jako liniowej kombinacji terminów błędu występujących jednocześnie i w różnych okresach w przeszłości. VARMA to VAR (wielowymiarowa) wersja modelu ARMA.
• ARDL
  Auto-regressive Distributed Lag był standardowym modelem przed wynalezieniem modelu VAR. W porównaniu z VAR jest to mniej złożony model, w którym zmienne nie są postrzegane jako ze sobą powiązane. Główna zmienna, która jest prognozowana, zależy od wskaźników, ale wskaźniki nie zależą od innych wskaźników ani od głównej zmiennej.

Modele wielowymiarowe, ukarane

• Regresja grzbietu
  Jest to sposób wykorzystania modeli bayesowskich w ramach VAR. Przed Lasso najczęściej stosowaną metodą wyboru zmiennych do uwzględnienia była selekcja stopniowa. W tym czasie regresja grzbietowa była najpopularniejszą alternatywną techniką stosowaną do poprawy dokładności przewidywania. Regresja grzbietowa poprawia błąd przewidywania poprzez zmniejszanie dużych współczynników regresji w celu zmniejszenia nadmiernego dopasowania, ale nie dokonuje wyboru zmiennych i dlatego nie pomaga uczynić modelu bardziej interpretowalnym.
• Lasso
  Lasso, Least Absolute Shrinage and Selection Operator to najbardziej udane zastosowanie sztucznej inteligencji w ekonometrii. Lasso został wprowadzony w celu poprawy dokładności przewidywania i interpretacyjności modeli regresji poprzez zmianę procesu dopasowywania modelu, aby wybrać tylko podzbiór dostarczonych zmiennych niezależnych do wykorzystania w modelu końcowym, a nie używać ich wszystkich. Lasso wymusza ustawienie pewnych współczynników na zero, skutecznie wybierając prostszy model, który nie zawiera tych współczynników.
• Elastyczna siatka
  Siatka elastyczna jest metodą regresji, która liniowo łączy metody lasso i grzbietu (patrz poniżej). Zasadniczo metoda siatki sprężystej znajduje współczynniki regresji grzbietowej, a następnie wykonuje skurcz współczynników typu lasso.
• VECM Lasso
  Modele korekty błędów wektorowych są przydatne dla zestawów danych o długoterminowych relacjach (zwanych również kointegracją). VECM są przydatne do szacowania zarówno krótkoterminowych, jak i długoterminowych skutków jednorazowych serii na inne. Termin korekta błędów odnosi się do faktu, że odchylenie ostatniego okresu od równowagi długoterminowej, błąd, wpływa na jego krótkoterminową dynamikę. Modele te szacują, oprócz długoterminowych relacji między zmiennymi, również bezpośrednio prędkość, z jaką zmienna zależna wraca do równowagi po zmianie innych zmiennych. Ta wersja jest połączona z Lasso, Minimalnym Absolutnym Skurczeniem i Operatorem Selection, co wymusza ustawienie pewnych współczynników na zero, skutecznie wybierając prostszy model, który nie zawiera tych współczynników.
• Grupa Lasso
  W 2006 roku Yuan i Lin wprowadzili lasso grupowe, aby umożliwić wspólne wybranie wstępnie zdefiniowanych grup współzmiennych do modelu lub z niego, tak aby wszyscy członkowie danej grupy byli włączeni lub nie włączeni.
• • Lag Group Lasso
    Grupuje serię na podstawie opóźnień zmiennych objaśniających. Model wybiera zmienne i ich opóźnienia na podstawie grupowania opóźnień, co oznacza, że pierwsze opóźnienia, drugie opóźnienia itp. wszystkich zmiennych są podzielone na grupy. Jeśli nie wnoszą wkładu, całe grupy zostaną ukarane.
  • Lasso obciążone opóźnieniem
    Składa się z kary Lasso, która wzrasta geometrycznie wraz z opóźnieniem. Oznacza to, że krótsze opóźnienia mają priorytet w tych modelach, w porównaniu z ustawionymi w innych modelach VAR.
  • Endogenny - pierwszy
    VARX Endegenous-First stosuje karę, aby nadać priorytet szeregom endogennym. Przy danym opóźnieniu seria egzogenna może wejść do modelu tylko wtedy, gdy ich endogenny odpowiednik nie jest zerowy. Kliknij tutaj, aby uzyskać więcej informacji.
  • Własna/inna kara grupowa
    W tym modelu grupowanie rozróżnia własne opóźnienia serii od opóźnień innych serii. Ta struktura jest podobna do Componentwise (patrz poniżej), ale priorytetowo traktuje opóźnienia „własne” nad „innymi” opóźnieniami dla określonego opóźnienia. Opiera się to na hipotezie, że własne opóźnienia są bardziej pouczające niż inne opóźnienia.
  • Własna/inna rzadka kara grupowa
    Sparse odnosi się do nie karania całej grupy. W niektórych scenariuszach kara grupowa może być zbyt restrykcyjna. Z drugiej strony posiadanie wielu grup znacznie wydłuży czas obliczeń i generalnie nie poprawi wydajności prognozowania.
• Hierarchiczna autoregresja wektorowa (HVAR)
  Hierarchiczna automatyczna regresja wektorowa, modele HVAR, łagodzą problem spadku wydajności prognozy, ponieważ każda dodana zmienna jest traktowana demokratycznie, mimo że bardziej odległe dane zwykle są mniej przydatne w prognozowaniu. Zamiast narzucać pojedynczą, uniwersalną kolejność opóźnień, opóźnienia mogą się różnić w zależności od modeli HVAR. W ramach HVAR nie ma zmiennych egzogennych.
• • Komponentnie Lasso
    W modelach komponentowych wszystkie zmienne mają takie samo maksymalne opóźnienie.
  • Własne/Inne Lasso
    Nakłada dodatkową warstwę hierarchii: priorytetyzowanie opóźnień „własnych” nad „innymi” opóźnieniami w ramach HVAR.
  • Elementwise Lasso
    Najbardziej ogólna struktura, w każdym modelu marginalnym, każda seria może mieć własne maksymalne opóźnienie.

Modele o mieszanej częstotliwości (wielowymiarowe)

• MIDAS
  Modele próbkowania danych mieszanych (MIDAS) wykorzystują wskaźniki wysokiej częstotliwości do przewidywania zmiennej niskiej częstotliwości. Dzięki dopasowaniu funkcji rozkładu opóźnień liczba parametrów jest utrzymywana na niskim poziomie, zmniejszając ryzyko nadmiernego dopasowania.
• Nieograniczony MIDAS
  Modele Unlimited Mixed Data Sampling (MIDAS) wykorzystują wskaźniki wysokiej częstotliwości do przewidywania zmiennej niskiej częstotliwości.
  
• Kara grupowa MIDAS Sparse
  Modele próbkowania danych mieszanych (MIDAS) wykorzystują wskaźniki wysokiej częstotliwości do przewidywania zmiennej niskiej częstotliwości. Dzięki zastosowaniu rzadkiej funkcji kary grupowej parametry są zmniejszane do zera, zmniejszając ryzyko nadmiernego dopasowania.
• MIDAS Lasso
  Modele próbkowania danych mieszanych (MIDAS) wykorzystują wskaźniki wysokiej częstotliwości do przewidywania zmiennej niskiej częstotliwości. Dzięki zastosowaniu funkcji kary lasso parametry są zmniejszane do zera, zmniejszając ryzyko nadmiernego dopasowania.

Modele uczenia maszynowego (wielowymiarowe)

• ANN
  Sztuczna sieć neuronowa (ANN) to model inspirowany biologicznymi sieciami neuronowymi, takimi jak ludzki mózg. Model jest przykładem bardziej rzadkiego modelu uczenia maszynowego w porównaniu z LSTM i GRU. Zmniejsza to ryzyko nadmiernego dopasowania, jednocześnie oferując większą elastyczność niż model liniowy. ANN jest szkolony na danych przy użyciu wariantów opadania gradientu, takich jak AdaGrad i ADAM.
• LSTM
  Model pamięci długotrwałej (LSTM) jest sztuczną nawracającą siecią neuronową. Szczególnie nadaje się do przetwarzania sekwencji danych, dzięki połączeniom sprzężenia zwrotnego. Modele LSTM są używane do wielu różnych zadań, takich jak analiza mowy i wideo, a także analiza szeregów czasowych. Jedną z głównych zalet modelu LSTM jest jego elastyczność, potrafi identyfikować złożone struktury w danych dzięki nieliniowym funkcjom aktywacji i dużej parametryzacji. LSTM jest szkolony na danych przy użyciu wariantów opadania gradientu, takich jak AdaGrad i ADAM.
  
• GRU
  Model bramkowanej jednostki powtarzającej się (GRU) jest rodzajem nawracającej sieci neuronowej. Jako taki doskonale nadaje się do danych sekwencyjnych, takich jak szeregi czasowe. Główną siłą jest wysoka elastyczność w porównaniu z modelami liniowymi, model GRU może identyfikować nieliniowe wzorce w danych, co pozwala mu dokładniej je opisać. Jest podobny do LSTM, ale ma mniej parametrów, co zmniejsza ryzyko nadmiernego dopasowania mniejszych zestawów danych. GRU jest szkolony na danych przy użyciu wariantów opadania gradientu, takich jak AdaGrad i ADAM.