Консенсусный прогноз — это предсказание будущего, созданное путем объединения нескольких отдельных прогнозов, которые часто создавались с использованием разных методологий. Они используются в ряде наук, от эконометрики до метеорологии , и также известны как комбинированные прогнозы , усреднение прогнозов или усреднение моделей (в эконометрике и статистике ) и комитетные машины , усреднение ансамблей или экспертное агрегирование (в машинном обучении ).
Приложения могут варьироваться от прогнозирования погоды до прогнозирования годового валового внутреннего продукта страны или количества автомобилей, которые компания или отдельный дилер, вероятно, продаст за год. Хотя прогнозы часто делаются для будущих значений временного ряда , они также могут быть для разовых событий, таких как исход президентских выборов или футбольного матча.
Прогнозирование играет ключевую роль в процессе планирования любой организации, поскольку оно дает представление о неопределенности. С помощью моделирования можно оценить, способны ли предлагаемые стратегии достичь желаемых целей в предопределенных пределах. В области экономического прогнозирования будущий путь экономики является неотъемлемой частью бизнес-перспектив почти каждой компании, и, следовательно, существует значительный спрос на точные экономические прогнозы. Соответствием этому высокому спросу является большой объем легкодоступной прогнозной информации от правительств, международных агентств и различных частных фирм. Такие компании, как Consensus Economics и Blue Chip Economic Indicators, специализируются на публикации данных экономических прогнозов, причем первая охватывает большинство основных регионов мира, а также предоставляет прогнозы по валютам и товарам, а вторая фокусируется на экономике США. Однако расшифровка наилучшего метода прогнозирования — непростая задача, и во многом она зависит от целей пользователя и ограничений, с которыми он, вероятно, столкнется. Вместо того чтобы пытаться определить единственный наилучший метод прогнозирования, альтернативный подход заключается в объединении результатов независимых прогнозистов и усреднении прогнозов.
Этот метод взятия простого среднего значения панели независимых прогнозов, полученных с помощью разных методов прогнозирования , известен как объединение прогнозов, а результат часто называют консенсусным прогнозом. Если не может быть определена конкретная модель прогноза, которая дает меньшие ошибки прогноза по сравнению с другими отдельными прогнозами, принятие консенсусного подхода может быть полезным из-за выгод от диверсификации. Объединение экономических прогнозов хорошо зарекомендовало себя во многих странах и может включать в себя центральные банки, правительственные учреждения и предприятия среди пользователей. В последние десятилетия [ когда? ] консенсусные прогнозы привлекли большой интерес, подкрепленный публикацией огромного количества академических исследований по точности прогнозов. Эмпирические исследования показывают, что объединение прогнозов повышает точность прогнозов. [1] [2] [3] Одним из преимуществ использования консенсусных прогнозов является то, что он может оказаться полезным, если существует высокая степень неопределенности или риска, связанного с ситуацией, и выбор наиболее точного прогноза заранее затруднен. Даже если один метод определен как лучший, объединение все равно имеет смысл, если другие методы могут внести некоторый положительный вклад в точность прогноза. Более того, на независимый прогноз может влиять множество факторов, и они, наряду с любой дополнительной полезной информацией, могут быть получены с помощью консенсусного подхода. Еще одним аргументом в пользу этого метода является то, что отдельные прогнозы могут быть подвержены многочисленным поведенческим предубеждениям , но их можно минимизировать, объединив независимые прогнозы вместе. Следовательно, объединение рассматривается как помощь в повышении точности прогноза за счет уменьшения ошибок прогноза отдельных прогнозов. Кроме того, усреднение прогнозов, вероятно, будет более полезным, когда данные и методы прогнозирования, из которых взяты компонентные прогнозы, существенно различаются. И хотя это всего лишь простой подход (обычно невзвешенное среднее), этот метод так же полезен, как и другие более сложные модели. Действительно, более поздние исследования за последнее десятилетие показали, что со временем объединенный прогноз с равными весами обычно оказывается точнее, чем индивидуальный прогноз, который составляет консенсус. [4] [5] [6]
В целом, полезность метода консенсусного прогнозирования была подтверждена множеством эмпирических исследований последних десятилетий. Использование равных весов в методе комбинирования привлекательно из-за его простоты и легкости описания. Среди прочего, этот простой метод усреднения прогнозов отдельных прогнозистов был внедрен на практике многими мировыми центральными банками, когда они пытаются оценить ожидания в частном секторе. Эмпирическое исследование, проведенное Роем Батчелором в 2000 году, демонстрирует большую точность в консенсусных прогнозах по сравнению с макроэкономическими прогнозами, подготовленными ведущими многонациональными агентствами, такими как Международный валютный фонд и Организация экономического сотрудничества и развития . [7] Исследование Роберта К. Джонса показало: «По крайней мере, с момента публикации «Комбинации прогнозов» (Бейтс и Грейнджер [1969]) экономисты знали, что объединение прогнозов из разных источников может как повысить точность, так и сократить ошибки прогнозистов. За прошедшие годы многочисленные исследования подтвердили эти выводы, описали условия, при которых комбинации прогнозов наиболее эффективны, и попытались объяснить, почему простые равные веса работают так хорошо по сравнению с более сложными статистическими методами». [8]
Хотя литература по комбинированию точечных прогнозов очень богата, тема комбинирования вероятностных прогнозов не так популярна. [3] Существует очень мало статей, которые явно посвящены комбинированию интервальных прогнозов , однако, был достигнут определенный прогресс в области прогнозов плотности. [9] [10] Простая, но мощная альтернативная методика была введена в контексте прогнозирования цен на электроэнергию. Квантильное регрессионное усреднение (QRA) включает применение квантильной регрессии к точечным прогнозам ряда отдельных моделей прогнозирования или экспертов. [11] Было обнаружено, что она работает чрезвычайно хорошо на практике - две лучшие команды в ценовом треке Глобального конкурса по прогнозированию в области энергетики (GEFCom2014) использовали варианты QRA.
{{cite book}}: |journal=проигнорировано ( помощь )