Адаптивная композиция моделей прогнозирования
Материал из MachineLearning.
| Строка 1: | Строка 1: | ||
| + | При использовании '''адаптивной композиции моделей''' (АКМ, гибридная АКМ) прогноз формируется как взвешенная сумма прогнозов, полученных по альтернативным моделям. В качестве примера применения АКМ можно рассмотреть прогнозирование курса акций, при котором в качестве базового набора взяты линейная модель Тригга-Лича и постоянная "наивная" модель. | ||
| + | |||
| + | Т.к. адаптивные модели достаточно просты, они довольно неточные. Возможно, почти в каждом случае можно подобрать способ получения более достоверного прогноза. Тем не менее, необходимо учитывать, что основное назначение таких моделей - это автоматическая обработка большого количества рядов. В связи с этим первоочередной является не задача оптимальности, а задача универсальности предикторов для практической обработки рядов с различной динамикой. Также эти методы удобны в использовании для случаев, когда возникают трудности с однозначным выбором одной определенной структуры модели. | ||
| + | |||
== Постановка задачи == | == Постановка задачи == | ||
Пусть задан [[Временной ряд|временной ряд]]: <tex>y_1 \ldots y_t,\; y_i \in R</tex>. | Пусть задан [[Временной ряд|временной ряд]]: <tex>y_1 \ldots y_t,\; y_i \in R</tex>. | ||
| Строка 4: | Строка 8: | ||
Будем решать задачу [[Прогнозирование|прогнозирования]] временного ряда. | Будем решать задачу [[Прогнозирование|прогнозирования]] временного ряда. | ||
| - | |||
==Обозначения== | ==Обозначения== | ||
Версия 19:16, 9 января 2009
При использовании адаптивной композиции моделей (АКМ, гибридная АКМ) прогноз формируется как взвешенная сумма прогнозов, полученных по альтернативным моделям. В качестве примера применения АКМ можно рассмотреть прогнозирование курса акций, при котором в качестве базового набора взяты линейная модель Тригга-Лича и постоянная "наивная" модель.
Т.к. адаптивные модели достаточно просты, они довольно неточные. Возможно, почти в каждом случае можно подобрать способ получения более достоверного прогноза. Тем не менее, необходимо учитывать, что основное назначение таких моделей - это автоматическая обработка большого количества рядов. В связи с этим первоочередной является не задача оптимальности, а задача универсальности предикторов для практической обработки рядов с различной динамикой. Также эти методы удобны в использовании для случаев, когда возникают трудности с однозначным выбором одной определенной структуры модели.
Содержание |
Постановка задачи
Пусть задан временной ряд: .
Будем решать задачу прогнозирования временного ряда.
Обозначения
- прогноз
, сделанный в момент времени
- прогноз модели под номером
в момент времени
на момент времени
- сглаживающая ошибка
- веса моделей,
Прогноз
В АКМ используется следующий вид прогноза:
Выбор весов
Веса предлагается брать адаптированными:
Примечание
Вариант без использования весов - адаптивная селекция моделей прогнозирования.
Литература
Лукашин Ю. П. Адаптивные методы краткосрочного прогнозирования временных рядов.. — М.: Финансы и статистика, 2003. — 416 с. — ISBN 5-279-02740-5
