Advertisement

Operations-Research-Spektrum

, Volume 18, Issue 2, pp 117–125 | Cite as

Prognose von 15 Zeitreihen der DGOR mit Neuronalen Netzen

  • Elmar Steurer
Anwendungsorientierte Arbeiten

Zusammenfassung

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.

Schlüsselwörter

Neuronale Netzwerke Prognose von Zeitreihen Nichtstationarität Dickey-Fuller-Test 

Forecasting of 15 time series of DGOR with neural networks

Abstract

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.

Key words

Neural network time series prediction non-stationarity Dickey-Fuller-Test 

Preview

Unable to display preview. Download preview PDF.

Unable to display preview. Download preview PDF.

Literatur

  1. Box GEP, Jenkins GM (1976) Time Series Analysis: Forecasting and Control. Holden-Day, San FranciscoGoogle Scholar
  2. Dickey DA, Fuller WA (1979) Distribution of the Estimators for Autoregressive Time Series with a Unit Root. J Am Stat Assoc 74:427–431Google Scholar
  3. Dickey DA, Fuller WA (1981) Likelihood Ratio Statistics for Autoregressive Time Series with a Unit Root. Econometrica 49:1057–1072Google Scholar
  4. Groot C de (1993) Nonlinear Time Series Analysis with Connectionist Networks. Dissertation ETH Zürich, No. 10038, IPS Report No. 93-03Google Scholar
  5. Hillmer M, Graf J (1994) Aktienkursprognose mit statistischen Verfahren und Neuronalen Netzen: Ein Systemvergleich. In: Bol G, Nakhaeizadeh G, Vollmer KH (Hrsg) Finanzmarktanwendungen neuronaler Netze und ökonometrischer Verfahren. Physica, HeidelbergGoogle Scholar
  6. Hornik K, Stinchcombe M, White H (1989) Multilayer Feedforward Networks are Universal Approximators. Neural Networks 2:359–366Google Scholar
  7. Nelson CR, Plosser CI (1982) Trends and Random Walks in Macro-economic Time Series. J Monet Econ 10:139–162Google Scholar
  8. Rehkugler H, Poddig T (1994) Kurzfristige Wechselkursprognosen mit Künstlichen Neuronalen Netzwerken. In: Bol G, Nakhaeizadeh G, Vollmer KH (Hrsg) Finanzmarktanwendungen neuronaler Netze und ökonometrischer Verfahren. Physica, HeidelbergGoogle Scholar
  9. Ritter H, Martinetz T, Schulten K (1991) Neuronale Netze. Addison-Wesley, BonnGoogle Scholar
  10. Rumelhart DE, Hinton GE, Williams RJ (1986) Learning Representations by Back-Propagating Errors. Nature 323:533–536Google Scholar
  11. Schöneburg E, Hansen N, Gawelczyk A (1990) Neuronale Netzwerke — Einführung, Überblick und Anwendungsmöglichkeiten. Markt und Technik, Haar bei MünchenGoogle Scholar
  12. Schwarze J, Weckerle J (Hrsg) (1982) Prognoseverfahren im Vergleich. Anwendungserfahrungen und Anwendungsprobleme verschiedener Prognoseverfahren. Selbstverlag, BraunschweigGoogle Scholar
  13. Weigend A, Gershenfeld N (1994) Time Series Prediction: Forecasting the Future and Understanding the Past. Addison Wesley, Reading, MassGoogle Scholar
  14. Zimmermann HG (1994) Neuronale Netze als Entscheidungskalkül. In: Rehkugler H, Zimmermann H-G (Hrsg) Neuronale Netze in der Ökonomie. Vahlen, MünchenGoogle Scholar

Copyright information

© Springer-Verlag 1996

Authors and Affiliations

  • Elmar Steurer
    • 1
  1. 1.Forschung und Technik-F3S/EDaimler-Benz AGUlm

Personalised recommendations