Evaluating Linear and Non-Linear Time-Varying Forecast-Combination Methods

Les auteurs de l'étude évaluent les méthodes linéaires et non linéaires de combinaison des prévisions. Entre autres formules de pondération non linéaires, ils proposent une technique d'estimation non paramétrique par la méthode du noyau qui offre une souplesse maximale en matière de pondération. Afin de comparer l'efficacité de différentes formules de pondération, ils procèdent à une simulation de Monte-Carlo. Les résultats obtenus montrent que les méthodes de combinaison non linéaires sont supérieures aux autres dans le cas de tous les scénarios envisagés. Lorsque les erreurs de prévision sont corrélées d'un modèle à l'autre, c'est la formule de pondération non paramétrique qui produit les erreurs quadratiques moyennes les plus faibles. Si les erreurs ne sont pas corrélées, les prévisions combinées à l'aide de réseaux neuronaux artificiels s'avèrent les meilleures.