Unter der Annahme, einem Anwender liegen eine Reihe von Prognosemodellen zur Verfügung: Wie können diese sinnvoll kombiniert werden, um die Prognosegenauigkeit auf ungesehenen Daten im Vergleich zur Wahl einzelner Modelle zu verbessern? Welche Modelle sollten selektiert werden und sollten die gelernten Gewichte korrigiert werden?
Falls dieses Thema für Sie interessant klingt, möchten wir Sie auf den gerade erschienenen Forschungsartikel „Linear Hybrid Shrinkage of Weights for Forecast Selection and Combination“ hinweisen, der von Felix Schulz gemeinsam mit Thomas Setzer und Nathalie Balla verfasst wurde.
Im vorliegenden Paper wird ein neues methodisches Verfahren zur gleichzeitigen Auswahl, Gewichtung und Schrumpfung von Prognosegewichten vorgestellt. Unter Verwendung von Informationskriterien aus der statistischen Lerntheorie werden Prognosemodelle zunächst ausgewählt und je nach Selektionsstatus von ihren optimalen Gewichten linear gegen den Mittelwert oder gegen Null geschrumpft. Simulationsergebnisse zeigen Bedingungen (Szenarien), unter denen die vorgestellte Methode eine höhere Genauigkeit erreicht als lineare und nichtlineare Schrumpfungsmethoden von optimalen Gewichten zum Mittelwert, geschätzte optimale Gewichte und als die einfache Mittelwertbildung von Prognosen.