复杂机器学习模型能否超越简单基准?——小麦、玉米和大豆月度价格预测的实证检验
《Forecasting》:Do Complex Forecasting Models Beat Simple Benchmarks? A Small-Sample Case Study of Wheat, Corn, and Soybean Prices
【字体:
大
中
小
】
时间:2026年09月26日
来源:Forecasting 4.2
编辑推荐:
摘要
许多研究报告了复杂机器学习和深度学习模型在预测方面的提升,却未检验这些提升在与简单、可复现基准模型的比较中是否能保持。本研究针对小麦、玉米和大豆价格的单步月度预测检验了这一问题(FRED数据,2000-2024年;300个观测值,179个训练序列)。研究构建了一个包含
摘要许多研究报告了复杂机器学习和深度学习模型在预测方面的提升,却未检验这些提升在与简单、可复现基准模型的比较中是否能保持。本研究针对小麦、玉米和大豆价格的单步月度预测检验了这一问题(FRED数据,2000-2024年;300个观测值,179个训练序列)。研究构建了一个包含63个特征变量的流水线,涵盖MACD、RSI、布林带、移动平均值、波动率、动量和跨商品比率。在严格控制数据泄漏的时间序列协议下,八个学习型模型(SVR、随机森林、梯度提升、LSTM、GRU、双向LSTM、注意力LSTM以及MACD增强架构MADLF)与两个主要基准模型——持续性和ARIMA(1,1,0)——进行了评估;另有四个朴素和统计基线模型(季节性朴素、漂移、ETS、Theta)用于稳健性检验。预测精度通过RMSE、MAE、MASE和Theil's U2进行评估,统计显著性通过Diebold-Mariano检验和Hansen的SPA检验进行检验。没有任何学习型模型在统计上显著优于朴素基准模型。对于小麦和大豆,Diebold-Mariano检验拒绝了全部16个学习型模型比较;对于玉米,8个中有4个在持续性基准下被拒绝,8个中有5个在ARIMA基准下被拒绝,而随机森林、BiLSTM和MADLF在统计上与两者均无显著差异,尽管仅有53个配对测试观测值,这不足以确立等价性。Hansen的SPA检验无法在任何商品上拒绝持续性基准至少与最佳学习型模型表现相当的说法。描述性统计显示,持续性模型在大麦、玉米和大豆上分别达到[公式]、[公式]和[公式],而最佳学习型模型分别达到[公式]、[公式]和[公式](基于本文显著性检验中使用的同一预测序列计算)。相对技能指标、预算受限的调优检查、三种替代训练窗口分割、滚动起点评估以及匹配的多元(VAR)基线模型均指向相同的模式,尽管三种分割和滚动起点检查基于共享的、重叠的264个月时间线而非独立样本,因此应将其视为一致性结果而非独立确认。本文使用的循环神经网络架构拥有174,000至312,000个参数,但仅在179个序列上进行训练;鉴于此,对零结果最合理的解释是,在小样本、月度数据环境中,简单基准模型难以被超越,而非架构复杂性总体上无用。研究结论基于本研究所采用的特定特征表示、样本量、预测时间跨度和实验设置,不应被解读为架构复杂性总体上无用的普遍性论断。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号