Prognose von 15 Zeitreihen der DGOR mit Neuronalen Netzen

Die Arbeitsgruppe Prognoseverfahren der Deutschen Gesellschaft für Operations Research (DGOR) veröffentlichte 1982 einen Vergleich zwischen verschiedenen Prognoseverfahren. Die Studie wurde anhand 12 verschiedener Modelle und 15 Zeitreihen durchgeführt. Grundsätzlich können die Ergebnisse dieses Prognosevergleichs als objektiver und neutraler Vergleichsmaßstab für die Leistungen anderer Prognosemethoden betrachtet werden. Vor diesem Hintergrund wird in diesem Beitrag die Prognosequalität eines Neuronalen Netzes mit den in der DGOR-Studie beschriebenen Prognoseverfahren empirisch verglichen. Hierbei wird ein Backpropagation-Netz in Ansatz gebracht. Zur Bestimmung der exogenen Variablen werden die vier signifikantesten zeitverzögerten Variablen mittels einer Korrelationsanalyse ausgewählt. Als empirisches Ergebnis ist folgendes festzuhalten:

• • Im Falle von nichtstationären Zeitreihen liefern die Neuronalen Netze deutlich schlechtere Prognosen im Vergleich zu den anderen Methoden. Stationäre Zeitreihen können durch Neuronale Netze zwar besser vorhergesagt werden, aber dennoch ist die Prognosequalität nur durchschnittlich.

• • Falls bei nichtstationären Zeitreihen erste Differenzen als exogene Variablen verwendet werden, verbessert sich die Prognosequalität erheblich. Dennoch wird die beste Vorhersagemethode (ARMA-Verfahren nach Box-Jenkins) immer noch nicht übertroffen.

In 1982, the working group “Forecasting Methods” of the Deutsche Gesellschaft für Operations Research (DGOR) carried out a forecasting comparison between 12 various models which were applied to 15 time series. The results of this study can be considered as a good benchmark for further prediction techniques. This paper reports upon the prediction of these 15 time series by using a Neural Network which was developed by the Backpropagation algorithm. The four highest autocorrelated lag-variables were used as the input variables of the Neural Network. The results show that the Neural Network delivered worse predictions than the other methods including the naive prediction by forecasting non-stationary time series. Stationary time series could be predicted better than the naive prediction, but in comparison to the other techniques the results were only average. After regarding the problem of non-stationarity by using the Dickey-Fuller-Test, first differences were chosen as the input-variables of the Neural Network. In this case, there was a considerable improvement, but the best method (Box-Jenkins' ARIMA technique) could not be surpassed.

Authors and Affiliations

1. Forschung und Technik-F3S/E, Daimler-Benz AG, Postfach 2360, D-89013, Ulm

   Elmar Steurer

Reprints and permissions