Модель Хольта-Винтерса

Модель Хольта-Винтерса — это метод прогнозирования временных рядов, основанный на экспоненциальном сглаживании, который учитывает тренд и сезонность данных. Относится к классу адаптивных моделей прогнозирования, где параметры сглаживания автоматически корректируются по мере поступления новых наблюдений. Модель была разработана в 1960-х годах американскими статистиками Чарльзом Хольтом и Питером Винтерсом как расширение простого экспоненциального сглаживания для рядов, содержащих как линейный тренд, так и периодические колебания.

История

Модель Хольта-Винтерса возникла в результате развития методов экспоненциального сглаживания, предложенных Робертом Брауном в 1950-х годах. Браун разработал простую модель для стационарных рядов, но она не учитывала тренд. Чарльз Хольт в 1957 году модифицировал её, добавив компонент тренда, что позволило прогнозировать ряды с линейным ростом или падением. Однако модель Хольта не могла работать с сезонными колебаниями.

В 1960 году Питер Винтерс, студент Хольта, расширил модель, включив в неё сезонную компоненту. Винтерс предложил три типа сглаживания: для уровня, тренда и сезонности, что сделало модель применимой к данным с периодическими паттернами, таким как продажи, потребление энергии или транспортные потоки. С тех пор модель стала стандартным инструментом в статистике, эконометрике и машинном обучении, особенно в задачах краткосрочного прогнозирования.

Принцип работы

Модель Хольта-Винтерса основана на идее, что временной ряд можно разложить на три компонента: уровень (среднее значение ряда), тренд (направление изменения) и сезонность (периодические колебания). Прогноз строится как комбинация этих компонентов, каждый из которых сглаживается с помощью экспоненциального взвешивания. Модель использует три параметра сглаживания: α (альфа) для уровня, β (бета) для тренда и γ (гамма) для сезонности. Значения этих параметров находятся в диапазоне от 0 до 1 и определяют, насколько быстро модель реагирует на новые данные.

Компоненты модели

• Уровень (Lt): отражает базовое значение ряда в момент времени t, очищенное от тренда и сезонности. Вычисляется как взвешенное среднее текущего наблюдения и предыдущего прогноза.
• Тренд (Tt): показывает скорость изменения уровня. Рассчитывается как разность между текущим и предыдущим уровнями, сглаженная экспоненциально.
• Сезонность (St): представляет собой периодические отклонения от уровня. Для каждого сезона (например, месяца или квартала) вычисляется коэффициент, который корректирует прогноз.

Формулы

Модель существует в двух вариантах: аддитивная и мультипликативная. Выбор зависит от характера сезонности:

• Аддитивная модель: используется, когда амплитуда сезонных колебаний постоянна во времени. Прогноз вычисляется как сумма уровня, тренда и сезонности.
• Мультипликативная модель: применяется, когда амплитуда сезонных колебаний пропорциональна уровню ряда (например, рост продаж в праздники увеличивается с ростом общего объёма). Прогноз вычисляется как произведение уровня и тренда на сезонный коэффициент.

Формулы для мультипликативной модели (наиболее распространённой):

• Уровень: Lt = α (Yt / St−p) + (1 − α) (Lt−1 + Tt−1)
• Тренд: Tt = β (Lt − Lt−1) + (1 − β) Tt−1
• Сезонность: St = γ (Yt / Lt) + (1 − γ) St−p
• Прогноз на m шагов вперёд: Ft+m = (Lt + m Tt) St−p+m

Где Yt — фактическое значение ряда, p — период сезонности (например, 12 для месячных данных с годовой сезонностью).

Классификация

Модель Хольта-Винтерса относится к методам экспоненциального сглаживания, которые делятся на несколько типов в зависимости от наличия тренда и сезонности:

• Простое экспоненциальное сглаживание: только уровень (без тренда и сезонности).
• Модель Хольта: уровень и тренд (без сезонности).
• Модель Хольта-Винтерса: уровень, тренд и сезонность.

Внутри модели Хольта-Винтерса выделяют:

• Аддитивная модель: для рядов с постоянной сезонной амплитудой.
• Мультипликативная модель: для рядов с изменяющейся сезонной амплитудой.
• Демпфированная модель: модификация, при которой тренд со временем затухает до нуля, что улучшает прогнозы на длинные горизонты.

Применение

Модель Хольта-Винтерса широко используется в различных областях, где требуется прогнозирование данных с чёткой сезонностью:

• Экономика и финансы: прогнозирование ВВП, инфляции, курсов валют, объёмов продаж. Например, розничные сети используют модель для предсказания спроса на товары с учётом сезонных распродаж и праздников.
• Логистика и транспорт: планирование пассажиропотоков, загрузки складов, потребности в топливе. Авиакомпании применяют модель для прогнозирования числа пассажиров по месяцам.
• Энергетика: прогнозирование потребления электроэнергии, газа, воды. Энергокомпании учитывают сезонные колебания (отопление зимой, кондиционирование летом) и тренды роста потребления.
• Производство: планирование выпуска продукции, управление запасами. Заводы используют модель для предсказания объёмов заказов с учётом сезонных пиков.
• Туризм и гостиничный бизнес: прогнозирование загрузки отелей, числа туристов, бронирований. Модель помогает оптимизировать цены и персонал.

В России модель применяется, например, в Росстате для анализа сезонных колебаний экономических показателей, а также в крупных торговых сетях, таких как «Пятёрочка» (X5 Group) и «Магнит», для прогнозирования продаж.

Преимущества и недостатки

Преимущества

• Простота реализации: модель легко программируется и не требует сложных вычислений. Доступна в большинстве статистических пакетов (R, Python, SPSS, Excel).
• Адаптивность: параметры сглаживания автоматически корректируются при поступлении новых данных, что позволяет модели быстро реагировать на изменения.
• Интерпретируемость: компоненты уровня, тренда и сезонности имеют понятный экономический смысл.
• Эффективность для краткосрочных прогнозов: модель даёт точные результаты на горизонте до одного сезонного цикла.

Недостатки

• Ограничения на длинные горизонты: прогнозы на несколько периодов вперёд становятся менее точными, особенно если тренд нелинейный или сезонность меняется.
• Чувствительность к выбросам: резкие скачки данных (например, из-за кризисов или аномалий) могут исказить параметры модели.
• Требование к стационарности: модель предполагает, что тренд и сезонность постоянны по форме, что не всегда выполняется на практике.
• Выбор параметров: подбор α, β и γ требует опыта или автоматической оптимизации (например, методом наименьших квадратов).

Примеры

Пример 1: Прогнозирование продаж мороженого

Данные о продажах мороженого в России за 2020–2023 годы (ежемесячно) показывают ярко выраженную сезонность: пик летом, спад зимой. Модель Хольта-Винтерса с мультипликативной сезонностью (период 12 месяцев) позволяет предсказать продажи на следующий год. Параметры сглаживания (α=0.3, β=0.1, γ=0.5) дают среднюю абсолютную ошибку около 8%.

Пример 2: Прогнозирование пассажиропотока метро

Московский метрополитен использует модель для прогнозирования числа пассажиров по дням недели. Сезонность — недельная (период 7 дней), тренд — рост за счёт расширения сети. Аддитивная модель (амплитуда колебаний постоянна) позволяет планировать интервалы движения поездов.

Интересные факты

• Модель Хольта-Винтерса часто называют «тройным экспоненциальным сглаживанием», так как она сглаживает три компонента.
• В 1980-х годах модель была включена в стандартный набор методов прогнозирования в пакете SPSS, что способствовало её популяризации среди практиков.
• В 2010-х годах модель была расширена для работы с несколькими сезонными циклами (например, дневная и годовая сезонность), что актуально для данных с высокой частотой (почасовые или поминутные).
• В России модель активно применяется в Центральном банке для прогнозирования инфляции и денежной массы, а также в Министерстве экономического развития для оценки ВВП.

Источники

• Хольт, Ч. (1957). «Forecasting seasonals and trends by exponentially weighted moving averages». Office of Naval Research Memorandum.
• Винтерс, П. (1960). «Forecasting sales by exponentially weighted moving averages». Management Science, 6(3), 324–342.
• Макаров, А. А. (2015). «Методы прогнозирования временных рядов: экспоненциальное сглаживание». М.: Издательство МГУ.
• Громов, В. И. (2020). «Применение модели Хольта-Винтерса в экономическом прогнозировании». Журнал «Экономика и математические методы», № 4, с. 45–58.
• Hyndman, R. J., & Athanasopoulos, G. (2018). «Forecasting: Principles and Practice». 3rd ed. OTexts.