Welche Validierungsmethoden für Zeitreihenmodelle schließen die Betrachtung der Zukunft während des Trainings aus?

Beim Arbeiten mit Zeitreihen ist es wichtig, Informationslecks aus der Zukunft beim Modelltraining zu vermeiden, um eine faire Bewertung seiner Qualität zu gewährleisten. Dafür werden spezielle Validierungsmethoden angewendet:

• Zeitreihenteilung (Vorwärtsvalidierung) — Die Daten werden in aufeinanderfolgende Zeitfenster unterteilt. Das Modell wird mit Daten bis zu einem bestimmten Zeitpunkt trainiert und auf dem nächsten Zeitintervall getestet. Dann wird das Fenster nach vorne verschoben.

• Rollender Prognoseursprung — ähnlich wie die Zeitreihenteilung, aber mit einer schrittweisen Erweiterung des Trainingssatzes, was ein realistisches Prognoseszenario imitiert.

• Blockierte Kreuzvalidierung — Die Daten werden in zeitliche Blöcke unterteilt, wobei die Trainings- und Testblöcke sich nicht überschneiden oder benachbart sind, um Korrelationen auszuschließen.

• Gepufferte K-Fold — bei der Aufteilung in Falten werden Perioden entfernt, die den Grenzen zwischen Trainings- und Testdaten nahe sind, um Lecks zu vermeiden.

Diese Methoden stellen sicher, dass das Modell beim Training keine zukünftigen Daten sieht, was für Zeitreihen kritisch ist.