Forecasting-Methoden im Vergleich
| Methode | Komplexität | Stärke | Wann nicht? |
|---|---|---|---|
| Naive (y(t+1)=y(t)) | 0 | Baseline | Bei klarem Trend/Saison |
| Holt-Winters (Exp. Smoothing) | niedrig | Trend + Saison einfach | Bei Strukturbrüchen |
| ARIMA / SARIMA | mittel | Klassiker, statistisch fundiert | Bei vielen Features / Nichtlinear |
| Prophet (Meta) | mittel | Robust, Holidays, einfach | Sehr kurzfristige Daten |
| XGBoost / LGBM | hoch | Viele Features, nichtlinear | Wenig Daten |
| LSTM / Transformer | sehr hoch | Lange Abhängigkeiten | Wenig Daten / Reproduzierbarkeit |
Bewertung von Forecasts
- MAE — Mean Absolute Error. Robust gegen Ausreißer.
- RMSE — Root Mean Squared Error. Bestraft große Fehler stark.
- MAPE — Mean Absolute Percentage Error. Skala-unabhängig, aber Probleme bei Werten nahe 0.
- sMAPE — symmetrische MAPE, fairer für asymmetrische Fehler.
Backtesting
Niemals zufälliger Train/Test-Split bei Zeitreihen — Reihenfolge zerstört wäre Datenleak. Stattdessen Walk-Forward-Validation:
Train: [t=0..T0] Test: [t=T0+1..T0+h] Train: [t=0..T0+h] Test: [t=T0+h+1..T0+2h] ...
Modell wird mehrfach trainiert, auf einem rollenden Fenster. So testest du, wie es sich über die Zeit hält.
Zurück zu Mathematik