Hierarchical Models for Time Series Forecasting

Abstract

Las predicciones precisas son esenciales en finanzas, energía y previsión climática, donde las decisiones rápidas son críticas. Este estudio evalúa modelos clásicos (ARIMA, DLM) y de aprendizaje profundo a lo largo de distintos horizontes, y mejora las previsiones dentro de estructuras jerárquicas utilizando técnicas de conciliación clásicas y MinT. Los experimentos con datos sintéticos y del mundo real revelan que ARIMA alcanza los errores más bajos en previsiones puntuales y probabilísticas, mientras que los DLM destacan en la velocidad de predicción y en las actualizaciones del modelo. Los métodos de conciliación basados en residuos pasados mejoran la coherencia, pero degradan la precisión de la distribución. Proponemos un marco desplegable para mesas de negociación que combina DLM para previsiones primarias, ARIMA para validación y conciliación MinT shrink para mejorar el rendimiento.

Accurate and timely predictions are essential in finance, energy, and climate forecasting, where rapid decisions are critical. This study evaluates classical (ARIMA, DLM) and deep-learning models across horizons and enhances forecasts within hierarchical structures using classical and MinT reconciliation techniques. Experiments on synthetic and real-world data reveal that ARIMA achieves the lowest point and probabilistic forecasting errors, while DLMs excel in prediction speed and model updates. Reconciliation methods leveraging past residuals improve coherence but degrade distributional accuracy. We propose a deployable framework for trading desks combining DLMs for primary forecasts, ARIMA for validation, and MinT shrink reconciliation for improved performance.