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 Forschungssartikel „Non-Linear Hybrid Shrinkage of Weights for Forecast Selection and Combination“ hinweisen, der von Felix Schulz verfasst wurde.
Die vorliegende Arbeit ist eine Erweiterung des kürzlich vorgestellten Artikels "Linear Hybrid Shrinkage of Weights for Forecast Selection and Combination" auf der HICSS (2022) und stellt die nicht-lineare Schrumpfung optimaler Gewichte gegen Null oder den Mittelwert in Abhängigkeit vom Selektionsstatus sowie einem auf Vorwärts-Selektion basierenden Auswahlkriterium vor. Unter Benchmark-Algorithmen wie der einfachen Mittelwertbildung von Prognosen, geschätzten optimalen Gewichten oder linearen und LASSO-basierten Schrumpfungsmethoden zeigt die vorgestellte Methode insbesondere bei einer größeren Anzahl von Prognosemodellen Vorteile, wie in simulationsbasierten Experimenten gezeigt wurde.