Адаптивная селекция моделей прогнозирования

Материал из MachineLearning.

Перейти к: навигация, поиск

Адаптивная селективная модель (АКМ) выбирает прогнозирующую функцию из некоторого базового множества моделей. Примером использования данной модели может служить, например, анализ данных о курсе акций и цен на золото. В базовый набор предикторов можно включить, например, полиномиальную модель Брауна нулового, первого и второго порядков.

Другой пример - цены на свинец и базовый набор из модели Тригга-Лича и постоянной "наивной" модели.

Содержание

Постановка задачи

Пусть задан временной ряд: y_1 \ldots y_t,\; y_i \in R.

Будем решать задачу прогнозирования временного ряда.

Обозначения

  • \hat{y}_{t+d} - прогноз y_{t+d}, сделанный в момент времени t
  • \hat{y}_{j,t+d} - прогноз модели под номером j в момент времени t на момент времени t+d
  • \vareps_{jt}=y_t-\hat{y}_{jt}
  • \tilde\vareps_{jt}=\gamma|\vareps_{jt}|+(1-\gamma)\tilde\vareps_{j,t-1} - сглаживающая ошибка
  • j_t*:=\arg\min\limits_{j=1..k}\tilde\vareps_{jt} - лучшая модель при прогнозе в момент времени t

Прогноз

В селективной модели используется следующий вид прогноза:

\hat{y}_{t+d}:=\hat{y}_{j_t*,t+d}

Примечание

АКМ можно осуществлять однозначно и эффективно в том случае, если базовые модели существенно различаются. Для случая, когда модели дают сравнительно близкие результаты рекомендуется использовать адаптивную композицию моделей прогнозирования

Литература

Лукашин Ю. П. Адаптивные методы краткосрочного прогнозирования временных рядов.. — М.: Финансы и статистика, 2003. — 416 с. — ISBN 5-279-02740-5

См. также

Источник — «http://machinelearning.ru/wiki/index.php?title=%D0%90%D0%B4%D0%B0%D0%BF%D1%82%D0%B8%D0%B2%D0%BD%D0%B0%D1%8F_%D1%81%D0%B5%D0%BB%D0%B5%D0%BA%D1%86%D0%B8%D1%8F_%D0%BC%D0%BE%D0%B4%D0%B5%D0%BB%D0%B5%D0%B9_%D0%BF%D1%80%D0%BE%D0%B3%D0%BD%D0%BE%D0%B7%D0%B8%D1%80%D0%BE%D0%B2%D0%B0%D0%BD%D0%B8%D1%8F»
Личные инструменты