Integrated models for the selection and weighting of individual opinions and forecasts in expectation and forecast combination

Kurzfassung/Abstract

Bei der Vorhersagekombination werden mehrere Vorhersagen durch die Zuordnung von Gewichten zu einzelnen Vorhersagemodellen oder Prognostikern linear kombiniert. Für die Festlegung der Gewichte existieren verschiedene Ansätze, die typischerweise die Bestimmung der Anzahl der für die Kombination zu verwendenden Modelle (Auswahl), die Wahl einer geeigneten Gewichtungsfunktion für das Prognoseszenario (Gewichtung) und die Verwendung von Regularisierungstechniken zur Anpassung der berechneten Gewichte (Schrumpfung) umfassen. Die aufgeführten Arbeiten befassen sich mit der Integration der drei Ansätze in ganzheitliche datenanalytische Modelle.

Im ersten Beitrag wird ein zweistufiges Modell entwickelt, bei dem zunächst Gewichte auf Basis der In-Sample-Fehlerkovarianzen berechnet werden, um den Fehler auf den verfügbaren Daten durch Kombination der einzelnen Modelle zu minimieren. Basierend auf dem Selektionsstatus eines Modells wird das Gewicht eines einzelnen Modells dann linear entweder gegen den Mittelwert oder gegen Null geschrumpft. Der Selektionsstatus wird dabei apriori aus Informationskriterien abgeleitet, wobei Beitrag 1 die Selektion auf der Grundlage der Genauigkeit des Modells in der Stichprobe und der Robustheit der Leistung unter Unsicherheit einführt.

Beitrag 2 modifiziert das zweistufige Modell, um die Gewichte der Prognostiker nichtproportional zum Mittelwert oder zu Null zu schrumpfen. Außerdem wird ein neues Informationskriterium vorgeschlagen, das auf der Auswahl von Vorwärtsmerkmalen beruht und iterativ den Prognostiker auswählt, von dem erwartet wird, dass er in der Kombination die größte Genauigkeitssteigerung erzielt.

Beitrag 3 erweitert das im zweiten Beitrag vorgestellte iterationsbasierte Informationskriterium, um bei der Auswahl und Kombination von Prognostikern zusätzlich zu den Genauigkeitsgewinnen auch Diversitätsgewinne zu berücksichtigen.

In Beitrag 4 wird schließlich ein einstufiges Modell für die gleichzeitige Gewichtung, Schrumpfung und Auswahl entwickelt und anhand simulierter Daten evaluiert. Anstatt ein vorheriges Auswahlkriterium zu benötigen, lernt das Modell selbst, welche Prognostiker auf den Mittelwert oder auf Null zu schrumpfen sind, und stützt sich dabei auf ein neues Stichprobenverfahren, um das Modell zu tunen