دمج التنبؤات: الأوزان المتساوية مقابل الأوزان المقدّرة

يجمع دمج التنبؤات توقعين أو أكثر للكمية نفسها لإنتاج توقع واحد. فإذا توقعت النماذج A وB وC التباين المحقق غداً، يمكن أخذ متوسط مخرجاتها أو إسناد أوزان مختلفة إليها. الرقم الناتج تنبؤ جديد، وليس تصويتاً يحدد أي نموذج على صواب.

يجب أن تتطابق المدخلات في الهدف ووقت إصدار التنبؤ والأفق والوحدات وموعد قطع المعلومات. لا يصح أخذ متوسط تنبؤ بتباين يوم واحد وتنبؤ بتقلب شهري لمجرد أن كليهما يسمى تقلباً. عرّف كمية وفترة مشتركتين أولاً، ثم وازن التنبؤات.

يفيد الدمج عندما تلتقط عدة نماذج معقولة خصائص مختلفة للسلسلة، أو عندما لا يُعرف أيها سيظل الأفضل. ولا يلزم أن تستخدم النماذج خوارزميات مختلفة تماماً؛ المهم هو سلوك أخطائها مجتمعة، لا اختلاف أسمائها.

وجد تطبيق Bates وGranger الأصلي أن التنبؤ المركب قد يحقق متوسط مربع خطأ أقل من كل تنبؤ منفرد في مثال ركاب الطيران. تبرر النتيجة اختبار الدمج، لكنها لا تضمن تحسناً في سوق أو هدف أو فترة أو دالة خسارة أخرى (Bates and Granger, 1969).

إذا كان عدد التنبؤات K، فإن الدمج بأوزان متساوية هو

\[ \widehat{y}_{t+h\mid t}^{\,EW} = \frac{1}{K}\sum_{k=1}^{K}\widehat{y}_{k,t+h\mid t} \]

تسهم كل نتيجة بالحصة نفسها. لا تحتاج هذه القاعدة إلى عينة تدريب للأوزان ويسهل إعادة إنتاجها. وهي معيار مفيد حتى إذا كانت الطريقة النهائية ستقدّر الأوزان أو تقيّدها.

لا يعني الوزن المتساوي أن التنبؤات متساوية الدقة أو مستقلة أو متساوية الأهمية الاقتصادية؛ بل يعني فقط أن الإجراء لا يقدّر وزناً منفصلاً من الأداء السابق. وقد يرث المتوسط انحيازاً مشتركاً إذا أغفلت كل المدخلات الخاصية نفسها.

عدد أسماء النماذج لا يقيس تنوع المعلومات. فقد تستخدم ثلاثة نماذج تقلب السلسلة نفسها وحدّ الجلسة والفاصل الزمني، وتغفل كلها حركة الليل. لن يصلح المتوسط هذا الإغفال تلقائياً. افحص اختلاف أخطاء التنبؤ خارج العينة على نحو مفيد، ولا تفترض أن اختلاف التسميات يضيف أدلة مستقلة.

لنفترض أن ثلاثة نماذج توقعت تقلب الجلسة التالية عند 12 و15 و20 نقطة أساس. يكون المتوسط \((12+15+20)/3=15.67\) نقطة أساس. يوضح الحساب كيفية الدمج فقط؛ ولا يكفي منشأ تنبؤ واحد لإثبات الدقة أو الربحية.

في تنبؤات التقلب، تحقق مما إذا كان المدخل تبايناً أم انحرافاً معيارياً. فمتوسط ثلاثة تنبؤات تباين ثم أخذ الجذر التربيعي لا يساوي عموماً متوسط تنبؤات الانحراف المعياري. استخدم تعريف الهدف ووحداته نفسها عند التقييم لاحقاً.

يمكن كتابة الدمج الخطي المقدّر كما يلي:

\[ \widehat{y}_{t+h\mid t}^{\,C} = \sum_{k=1}^{K} w_k \widehat{y}_{k,t+h\mid t} \]

تفترض نتيجة نظرية شائعة أن متوسط خطأ كل تنبؤ يساوي صفراً، وأن الهدف موحد، وأن مجموع الأوزان يساوي واحداً. لتكن \(\Sigma_e\) مصفوفة التباين المشترك لأخطاء المكونات. لو كانت معلومة وقابلة للعكس، لكانت أوزان الحد الأدنى للتباين ضمن هذه القيود:

\[ w^{*} = \frac{\Sigma_e^{-1}\mathbf{1}}{\mathbf{1}'\Sigma_e^{-1}\mathbf{1}} \]

هذه صيغة مرجعية وليست أمراً بعكس مصفوفة تباين مقدّرة مليئة بالضوضاء. عملياً، تُقدّر \(\Sigma_e\) من سجل محدود لأخطاء التنبؤ. وقد تجعل المدخلات شديدة الارتباط التقدير قريباً من التفرد، فتسبب تغييرات صغيرة في البيانات تغييرات كبيرة في الأوزان.

إذا كان تباين خطأ تنبؤين \(\sigma^2\)، فتباين متوسطهما المتساوي هو \(\sigma^2(1+\rho)/2\)، حيث \(\rho\) ارتباط الخطأين. إذا كان تباين كل خطأ 4 والارتباط صفراً، يصبح تباين المتوسط 2؛ وإذا كان الارتباط 0.90 يصبح 3.8. اعتماد أخطاء النماذج، لا أسماؤها، هو ما يحدد مقدار ما يزيله المتوسط من التباين. وهذا الحساب لتباين الخطأ؛ أما الانحياز فيضيف مربعه إلى متوسط مربع الخطأ.

تتمثل طريقة أخرى في انحدار الهدف المحقق على تنبؤات المكونات المحفوظة، وغالباً مع ثابت. يناقش Granger وRamanathan انحدارات خطية لا يلزم أن تجمع أوزانها إلى واحد. قد يصحح الثابت والأوزان غير المقيدة متوسط الانحياز في عينة التدريب، لكنهما يغيران تفسير النتيجة: المعاملات تعديلات تنبؤ ملائمة وليست بالضرورة حصصاً شبيهة بأوزان المحفظة (Granger and Ramanathan, 1984).

حدّد القيود قبل التقييم. فالأوزان غير السالبة التي مجموعها واحد تنتج متوسطاً محدباً يبقى بين أصغر تنبؤ وأكبره. والسماح بأوزان سالبة أو بثابت قد ينتج قيمة خارج هذا النطاق. قد يناسب ذلك تنبؤاً معايراً، لكنه قد لا يصلح لهدف لا يمكن أن يكون سالباً مثل التباين.

افترض أن ثلاثة نماذج أصدرت تنبؤات 12 و15 و20 نقطة أساس للهدف نفسه في الجلسة التالية. إذا أسندت قاعدة مقدرة من منشآت تنبؤ سابقة الأوزان 0.50 و0.30 و0.20، يصبح التنبؤ:

\[ 0.50(12) + 0.30(15) + 0.20(20) = 14.5\ \text{نقطة أساس} \]

مجموع الأوزان واحد وكلها غير سالبة، لذا فالنتيجة متوسط محدب يقع بين تنبؤات المكونات. اختلافها عن متوسط الأوزان المتساوية البالغ 15.67 يعكس الأوزان المختارة، ولا يثبت أن التنبؤ الموزون أفضل.

يجب ألا تُقدّر الأوزان إلا من أخطاء تنبؤ عُرفت نتائجها عند وقت التقدير. في اختبار تاريخي، يمكن لتنبؤ 14.5 نقطة أساس عند المنشأ t استخدام المعلومات المتاحة حتى t، لا الهدف المحقق في t+1 أو بعده.

بعد ظهور الهدف، سجّل تنبؤات المكونات والتنبؤ المركب والقيمة الفعلية البديلة وخسارة التقييم. وتكرار ذلك على منشآت لاحقة يتيح مقارنة القواعد في تواريخ مشتركة، لكنه لا يحول مثالاً حسابياً واحداً إلى دليل على أفضلية مستمرة.

الأوزان المثلى لتغايرات أخطاء المجتمع ليست هي الأوزان المقدرة من عينة قصيرة. تضيف الأوزان المقدرة مصدراً آخر لعدم اليقين. وحين تكون تنبؤات المكونات متشابهة، قد ترتبط أخطاؤها بشدة، فيبالغ التحسين في استغلال فروق تاريخية صغيرة لن تستمر.

وجدت محاكاة Kang وتطبيقه على التنبؤات الاقتصادية الكلية أن أوزان الدمج قد تكون غير مستقرة وأن المتوسط البسيط قد يؤدي أداء أفضل عملياً في تلك الحالات (Kang, 1986). وتشرح مراجعة Timmermann أثر خطأ التقدير وعدم استقرار النموذج واعتماد الأخطاء على دمج التنبؤات (Timmermann, 200601004-9)).

ويؤكد تحليل لاحق لمعضلة دمج التنبؤات نقطة العينة المحدودة نفسها: فالنتائج المشتقة لأوزان «مثلى» ثابتة قد لا تنتقل كما هي عندما تكون تلك الأوزان مقدرة أيضاً (Claeskens et al., 2016). لا تثبت هذه النتائج أن الأوزان المتساوية تفوز دائماً؛ بل تفسر ضرورة إثبات قاعدة أكثر تعقيداً جدواها خارج العينة.

<!-- learn:illustration -->

تشمل الاستجابات المحتملة البدء بأوزان متساوية، أو تقليل عدد المدخلات، أو تقليص الأوزان المقدرة نحو حصص متساوية، أو فرض قيد بسيط. لكل خيار مقايضة بين المرونة وضوضاء التقدير. اختره باستخدام بيانات التدريب وأبلغ عن القاعدة؛ ولا تنتقِ الصيغة الأجمل بعد الاطلاع على فترة الاختبار النهائية.

ينبغي أن يكون كل تنبؤ مكوّن في الأرشيف قابلاً للإصدار عند المنشأ المسجل له. أعد إنشاء كل نموذج باستخدام البيانات المتاحة حينها، واحفظ توقيت التنبؤ وإصدار النموذج وتعريف الهدف. القيم الملائمة داخل العينة ليست بديلاً عن تنبؤات تاريخية حقيقية لأن النموذج قد يكون استخدم مشاهدات لم تكن معروفة بعد.

حاذِ الأرشيف حسب الهدف والمنشأ. يجب أن تستهدف تنبؤات المكونات في كل صف الفترة المستقبلية نفسها، وأن ينتهي تدريبها عند وقت القرار نفسه. احذف التنبؤات الناقصة أو عالجها صراحة قبل تقدير الدمج؛ فتغيير مجموعة المدخلات بصمت قد يغيّر معنى الأوزان بين التواريخ.

افصل تقدير الأوزان عن التقييم النهائي. يمكن لإجراء المنشأ المتحرك تقدير الأوزان من تنبؤات عُرفت نتائجها قبل t، وإصدار الدمج عند t، ثم تقييمه بعد ظهور الهدف. تستخدم النافذة المتسعة جميع المناشئ السابقة المؤهلة، فيما تنسى النافذة المتحركة الأقدم وفق طول محدد مسبقاً. وقد تتكيف الطريقتان بشكل مختلف حين يتغير الأداء.

إذا اخترت النماذج أو التحويلات أو الآفاق أو قيود الأوزان أو دوال الخسارة بعد فحص فترة احتجاز، فقد أصبحت تلك الفترة جزءاً من تطوير النموذج. احتفظ بفترة اختبار جديدة أو استخدم تقييماً متداخلاً يُبقي كل خطوة اختيار داخل بيانات التدريب.

قارن قاعدة الوزن المتساوي وأي قاعدة مقدرة أو مقلّصة والتنبؤات الفردية على المناشئ نفسها وبالهدف المحقق نفسه. أبلغ عن خسارة التقييم والعينة المشتركة. وإلا فقد تبدو طريقة أقوى لمجرد أنها اختُبرت في تواريخ أسهل أو مقابل هدف مختلف.

ينبغي أن تناسب الخسارة الهدف والسؤال. يعاقب مربع الخطأ الانحرافات الكبيرة بطريقة تربيعية، بينما يمنح الخطأ المطلق وزناً مختلفاً للأخطاء الكبيرة. وعند تقييم تنبؤات التقلب مقابل قياسات محققة مشوشة، تهم شروط المتغير البديل والخسارة المختارة؛ يشرح دليل QLIKE والخطأ التربيعي هذه الفروق. لا تختر الخسارة بعد معرفة الطريقة التي تفضلها.

يمكن لاختبار مقارنة التنبؤات تقدير ما إذا كانت فروق الخسارة المرصودة تتسق مع تقلب المعاينة. يغطي دليل Diebold–Mariano مقارنة خسائر التنبؤ المزدوجة والافتراضات المهمة عند تداخل أخطاء التنبؤ أو استمرار اعتمادها. لا يصلح الاختبار تسرب المعلومات ولا يثبت القيمة الاقتصادية.

إذا جرّبت مجموعات مكونات أو قيود أوزان أو قواعد خسارة كثيرة واحتفظت بما بدا أفضل على فترة التقييم نفسها، فسيتأثر التقرير أيضاً بهذا البحث. يناقش دليل White Reality Check ودليل احتمال الإفراط في ملاءمة الاختبار الخلفي الاختيار بين قواعد تداول كثيرة؛ ولا يحل أي منهما محل أرشيف تنبؤات نظيف أو تقييم مخطط مسبقاً.

استخدم تصميماً للتحقق يعكس الأفق المقصود. فإذا تنبأت المناشئ اليومية بنتائج تمتد عدة أيام وتتداخل، فقد تعتمد الخسائر المتتالية بعضها على بعض. خذ هذا الاعتماد في الحسبان عند تقدير عدم اليقين، ولا تعامل كثرة الصفوف المتداخلة على أنها العدد نفسه من التجارب المستقلة.

قبل الدمج، تحقق مما يتنبأ به كل نموذج. فالمتوسط الشرطي والتباين والكمية والتوزيع الاحتمالي الكامل كائنات تنبؤ مختلفة. ولا ينتج عن متوسط خطي لتنبؤات نقطية تلقائياً توزيع كثافة معاير أو تقدير موثوق لمخاطر الذيل.

بالنسبة للكميات غير السالبة قطعاً مثل التباين، افحص القيم المركبة قبل استخدامها. فالمتوسط المحدب لتنبؤات غير سالبة يظل غير سالب؛ أما انحدار بأوزان سالبة أو ثابت فقد لا يفعل ذلك. وقص القيم السالبة عند الصفر يغير قاعدة التنبؤ ويجب تحديده قبل التقييم.

عدد التنبؤات مهم أيضاً. فإضافة مدخلات ضعيفة أو شبه متطابقة قد تزيد عدد الأوزان المقدرة من دون أن تضيف معلومات جديدة كثيرة. إذا كان الأرشيف قصيراً مقارنة بـ K، ففضل قاعدة منخفضة الأبعاد وشفافة وأظهر أن النتيجة لا تعتمد على مكوّن واحد.

دمج تنبؤات النماذج يختلف عن دمج المراكز التداولية. انخفاض الخسارة الإحصائية لا يثبت أن استراتيجية تستخدم التنبؤ ستربح بعد الرسوم والفارق والانزلاق وتأثير السوق وحدود المخاطر. يحتاج بناء التنبؤ وقاعدة التداول التي تستخدمه إلى أدلة منفصلة خارج العينة.

يسمّي التقرير المفيد الهدف والأفق والوحدات والنماذج المكوّنة وتوقيتات المناشئ وفترة الأرشيف وقاعدة البيانات الناقصة. ويوضح هل الأوزان متساوية أو مقدرة أو مقيدة أو مقلّصة أو متغيرة مع الزمن، وكيف اختيرت كل معايرة.

اعرض نتائج معيار الوزن المتساوي والدمج المختار وأقوى تنبؤ فردي على تواريخ التقييم نفسها. أدرج دالة الخسارة وطريقة تقدير عدم اليقين وأي معالجة للنتائج المتداخلة. وإذا تغيرت الأوزان بشدة بين النوافذ، فأظهر عدم الاستقرار بدلاً من عرض قيمها النهائية فقط.

أخيراً، افصل الادعاء التجريبي عن الادعاء المتعلق بالقرار. عبارة «كان متوسط الخسارة أقل لهذا الدمج في هذه العينة ووفق دالة الخسارة هذه» أضيق وأسهل في إعادة الإنتاج من «دمج التنبؤات يحسن التداول». يمكن اختبار الأولى من أرشيف محفوظ؛ أما الثانية فتتطلب استراتيجية وافتراضات تنفيذ وأدلة مستقلة.