«Наивная» модель прогнозирования как отправная точка

Что такое «наивная» модель прогнозирования? Сегодня я рассмотрю этот вопрос.

Как правило, значения котировок цен представляют в виде графиков японских свечей, где каждая свеча содержит четыре значения за выбранный временной интервал (масштаб):

h – максимальное значение котировок цен в течение временного интервала;

l – минимальное значение котировок цен в течение временного интервала;

o – значение котировок цен в начале временного интервала;

c – значение котировок цен в конце временного интервала;

Интервал времени бывает разным – минута, час, день и т.п.

Для основных экспериментов будем вместо четырех значений, зафиксированных в рамках одного временного интервала, брать только одно, определяемое так:

s= ( h + l ) /2                                                 (1)

Тогда последовательность временных интервалов во времени с учетом (1), можно представить в виде:

S={s1, s2,…,sn}                                             (2)

Здесь S – временной ряд (ВР), прогнозированию которого и будет уделено наибольшее количество времени, а n – количество значений этого ряда.

Тогда «наивная» МП (НМП) будет иметь незамысловатый вид:

si+1=si                                                            (3)

То есть НМП «вычисляет» будущее значение ВР на основе предыдущего. Иными словами, НМП тупо «считает», что будущее значение в точности равно предыдущему!

Именно такая модель и будет представлять интерес в качестве ориентира в точности прогнозирования.

В самом деле, изобретать более сложную МП имеет смысл только тогда, когда НМП дает неприемлемый результат для практических нужд.

Ну, например, если взять в качестве ВР такую последовательность:

S={1,…,1}

Здесь НМП даст 100% точность или ошибку прогнозирования MAPE=0%. Для чего изобретать какую-либо иную МП? Все отлично!

А если взять такую последовательность:

S={1,2,…,1,2}

То ошибка прогнозирования НМП MAPE=75%! Приемлемо это или нет?! Можно ответить на этот вопрос из практических соображений, с учетом конкретной задачи, «подключив» экспертов, ученых и т.п… Но самое главное – НМП позволяет оценивать точность прогнозирования на основе других МП! Как только будет создана МП, демонстрирующая лучшую точность прогнозирования в сравнении с НМП – её можно брать за следующую отправную точку в разработке новых МП и т.д, но не как не иначе.

Более того, любую сложную модель прогнозирования при определённых значениях параметров можно свести к НМП! И это является показателем правильно построенной сложной МП!!

Такой итеративно-последовательный подход вносит конкретику в получаемые результаты. Нет никакого смысла сравнивать точность двух сложных модели между собой, если нет результатов на основе НМП в рамках того же самого эксперимента, т.к. обе модели могут продемонстрировать худшую точность!!

Похожие статьи:

Добавить комментарий

Ваш e-mail не будет опубликован. Обязательные поля помечены *