Modelli lineari e non lineari nella combinazione di previsioni di serie storiche: un confronto tra metodi

Abstract

Nell’ambito delle previsioni di serie storiche un approccio alternativo a quello tradizionale fondato sull’utilizzo di un singolo modello consiste nel combinare le previsioni di più modelli allo scopo di cogliere differenti strutture nei dati. Tale approccio, considerando che una serie storica reale è raramente puramente lineare o non lineare, è stato applicato per combinare la previsione ottenuta da un modello lineare ARIMA con quella ottenuta da una rete neurale artificiale non lineare (ANN). Sulla base di simulazioni di serie lineari e non lineari e sulla base di serie storiche finanziarie sono stati valutati e confrontati i seguenti metodi di combinazione: la semplice media, l’approccio “inverse MSFE”, la regressione vincolata, la particle swarm optimization (PSO) e un modello ibrido che, a differenza dei precedenti, non attribuisce un peso a ciascuna previsione ma somma alla previsione della serie storica risultante da un modello ARIMA la previsione dei residui dell’ARIMA risultante da una rete neurale artificiale. Le simulazioni indicano che anche quando la serie è lineare o non lineare la combinazione tra un ARIMA e una ANN mediante la PSO o la regressione fornisce generalmente previsioni più accurate in termini di MSFE rispetto al singolo modello e che se si combinano le previsioni dell’ARMA, dell’ANN e del modello ibrido il grado di accuratezza migliora ulteriormente. I risultati relativi alle serie finanziarie evidenziano invece che il modello ibrido è generalmente migliore rispetto ai singoli modelli e agli altri metodi di combinazione.