集合时间序列模型

我需要自动进行时间序列预测，而且我事先不知道这些序列的功能（季节性，趋势，噪音等）。

我的目标不是为每个系列获得最佳模型，而是避免出现非常糟糕的模型。换句话说，每次都会出现小错误不是问题，但是偶尔会出现大错误是一个问题。

我认为我可以通过组合使用不同技术计算的模型来实现。

也就是说，尽管ARIMA对于特定系列来说是最好的方法，但对于其他系列来说可能不是最好的方法。指数平滑也一样。

但是，如果我将每种技术中的一个模型组合在一起，即使一个模型不太好，另一个模型也会使估算值更接近真实值。

众所周知，ARIMA在长期行为良好的序列中效果更好，而指数平滑在短期噪声序列中表现突出。

• 我的想法是结合使用两种技术生成的模型以获得更可靠的预测，这有意义吗？

可能有很多方法可以合并这些模型。

• 如果这是一个好方法，我应该如何将它们结合起来？

一个简单的预测平均值方法是一个选择，但是如果我根据模型的某种优度度量对平均值进行加权，也许可以得到更好的预测。

• 合并模型时对方差的处理方式是什么？

合并预测是一个好主意。（我认为这是学术预测家一致同意的为数不多的事情之一，这并不夸张。）

我碰巧写了一篇论文，回顾了权重预测的不同组合方法：http : //www.sciencedirect.com/science/article/pii/S0169207010001032基本上，使用（Akaike）权重并不能持续改善组合在简单的或修剪过的/优胜劣汰的均值或中位数之前，我个人会在实施可能无法产生明确收益的复杂程序之前三思而后行（不过请记住，根据信息标准，组合始终优于选择单个方法）。当然，这可能取决于您拥有的特定时间序列。

我在上面的文章中讨论了合并预测间隔，但没有合并方差。我似乎回想起不久之前在IJF上关注此问题的一篇论文，因此您可能想通过IJF的后期刊物寻找“结合”或“结合”。

其他一些结合了预测的论文在这里（来自1989年，但有一篇评论），这里和这里（也研究密度）以及这里和这里。其中许多指出，仍然很难理解为什么预测组合经常优于单个选定模型。倒数第二篇是关于M3预测竞赛的论文；他们的主要发现之一是（第458页上的数字（3）），“平均而言，各种方法组合的准确性要优于组合的特定方法，并且与其他方法相比，效果很好。” 这些论文的最后一部分发现，组合不一定比单个模型具有更好的性能，但是它们可以大大降低灾难性故障的风险（这是您的目标之一）。更多文学应该容易的找到国际杂志预测的，该杂志预测的 并用于计量经济学或供应链文献中的更具体应用。

为什么不进一步指定呢？我认为您所生产的任何一种模型都不会比特定选择更好或足够好。

话虽如此，如果您可以将选择范围缩小到可以测试的范围，并且可以标准化数据输入，那么为什么不使用R编写自动测试程序呢？

假设您确定自己的数据将落在由五个模型和一个“后备”估算的范围内。假设您可以通过不同的测试来表征输入。然后继续编写一个R（或类似程序）为您运行该算法。如果您可以根据测试数据生成要运行哪个模型的流程图（即决策树的任何点都是二进制的），则此方法有效。

如果这不是一个选择，因为该决定可能不是二进制的，则建议您基于适用的测试实施一个评级系统，并通过网格运行一些“极端案例”模拟数据，以查看结果是否符合您的要求。

您可以很明显地将这些东西结合起来，例如，对非平稳性的测试可能会给出肯定的“是”或“否”的定义，而其他属性可能会落入诸如多重共线性之类的范围内。
您可以先将其绘制在纸上，然后构建它，并以期望的已知分布模拟它。

然后，只要有新数据到达就运行R程序。我认为无需将多个模型与您最可能拥有的计算能力结合起来。

有一个很好的简单公式可以将两种预测方法结合在一起，您只需对它们进行加权，第一种方法乘以a，另一种方法乘以（1- a），其中a通过最小化此组合预测的方差来找到。如您所知，两种预测方法都存在误差，您可以计算将取决于“ a”的组合的误差。当每种方法的平均值= 0时，计算就很简单。对于组合两种以上方法，公式仍然是“简单的”，因为您可以“手动”进行分析计算，也可以使用EXCEL的Solver选项