Exponential smoothing models

指数平滑法（Exponential Smoothing）へようこそ！

未来の保険数理士の皆さん、こんにちは！今日は時系列分析のツールキットの中でも非常に実用的なツール、指数平滑法について掘り下げていきましょう。ARIMAのような他のモデルが観測値間の相関関係に焦点を当てるのに対し、指数平滑法は「加重平均」を重視します。

こんな風に考えてみてください。明日の天気を予測するとき、あなたは昨日起きたことと3年前に起きたこと、どちらを重視しますか？そう、昨日ですよね！指数平滑法では、直近のデータに大きな「重み」を与え、遠い過去については少しずつ「忘れていく」ことができます。直感的で強力なこの手法は、Exam SRMでも頻出のテーマです。早速始めていきましょう！

1. 基本的な考え方：指数平滑法とは？

簡単に言うと、指数平滑法とは過去の観測値の加重平均を計算することで将来の値を予測する方法です。「指数」という名前は、過去に遡るほど重みが指数関数的に小さくなっていくことに由来しています。

重要概念：平滑化パラメータ（\(\alpha\)）
直近の観測値に与える重みを \(\alpha\)（アルファ）で表します。

• \(\alpha\) が 1 に近い場合、直近のデータにほぼすべての重みを置きます（モデルが変化に素早く反応します）。
• \(\alpha\) が 0 に近い場合、遠い過去のデータにも重みを置きます（モデルは非常に「平滑」になり、緩やかに変化します）。

豆知識：
指数平滑法は、小売業の在庫管理によく使われます。あるおもちゃが12月に突然人気になった場合、モデルはそのトレンドに素早く反応する必要がありますが、その年の他の時期の基本的な売上を完全に無視するわけにはいきませんよね！

2. 単純指数平滑法（SES）

SESはすべての基本です。これはデータに明確なトレンドがなく、季節変動もない場合に使用します。時系列上で一直線に並ぶようなイメージです。

成分方程式：
\( \ell_t = \alpha y_t + (1 - \alpha) \ell_{t-1} \)
ここで：

• \( \ell_t \): 時点 \(t\) における推定水準（レベル）。
• \( y_t \): 時点 \(t\) における実際の観測値。
• \( \alpha \): 平滑化パラメータ（\(0 \le \alpha \le 1\)）。

予測式：
SESはトレンドがないと仮定するため、将来のどの時点の予測値も現在の水準と同じになります：
\( \hat{y}_{t+h|t} = \ell_t \)
（つまり、1期先、5期先、100期先の予測値すべてが同じ数値になるということです！）

まとめ：SESは、過去のすべての観測値の「加重平均」のようなもので、過去に遡れば遡るほど重みがなくなっていく手法です。

3. ホルトの線形トレンド法

データが右肩上がり、あるいは右肩下がりに推移している場合はどうでしょう？SESでは「傾き」が見えないため失敗してしまいます。そこで登場するのがホルト法です。これにはトレンド成分（傾向成分）（\(b_t\)）が追加されます。

難しそうに見えても大丈夫！SESの式を2つ重ねたもの、つまり水準用と傾き（トレンド）用があるだけだと考えてください。

方程式：
1. 水準: \( \ell_t = \alpha y_t + (1 - \alpha)(\ell_{t-1} + b_{t-1}) \)
2. トレンド: \( b_t = \beta^*(\ell_t - \ell_{t-1}) + (1 - \beta^*)b_{t-1} \)
3. 予測: \( \hat{y}_{t+h|t} = \ell_t + h b_t \)

重要用語：
- \(\beta^*\)（ベータ）: トレンドの平滑化パラメータ。\(\alpha\) と同様、0から1の間の値をとります。
- \(h\): 予測する将来のステップ数。

例え：
車を運転しているところを想像してください。水準は道路上の現在の位置です。トレンドはあなたの速度です。2時間後（\(h=2\)）にどこにいるか知りたいなら、現在の位置に速度の2倍を足せばいいですよね！

要点：ホルト法 ＝ 水準 ＋ トレンド。予測は傾きのある直線になります。

4. ホルト・ウィンターズの季節調整法

さて、もう一つ要素を追加しましょう。季節性です。これはアイスクリームの売上（夏に高く、冬に低い）のように周期性があるデータに使います。この手法では、\(\alpha\)（水準）、\(\beta^*\)（トレンド）、\(\gamma\)（季節）という3つの平滑化パラメータを使用します。

Exam SRMで覚えるべきホルト・ウィンターズ法には2種類あります：

A. 加法モデル（Additive Method）

季節変動が、時系列のレベルに関わらず、おおよそ同じ大きさ（振幅）である場合に使用します。
例： 全体の売上が500個でも5,000個でも、毎年3月には必ず100個多く売れる場合。

B. 乗法モデル（Multiplicative Method）

季節変動が、水準に比例して増加または減少する場合に使用します。
例： 12月にはコーヒーが20%多く売れる場合。事業が成長すれば、その「20%」が指し示すカップ数はどんどん増えていきますよね！

重要な注意点：試験で、データのトレンドが上昇するにつれて季節変動の「幅」が広がっているのを見たら、それは乗法モデルです。

覚え方のコツ：
Additive（加法） = Addition（足し算：水準 ＋ 季節）
Multiplicative（乗法） = Multiplication（掛け算：水準 × 季節）

5. パラメータの選択と初期化

最適な \(\alpha\)、\(\beta^*\)、\(\gamma\) はどうやって選ぶのでしょうか？

最適化：
実務では、ソフトウェアを使って二乗誤差の総和（SSE）を最小化する値を見つけます。「1期先」の予測値と実際のデータとの差が最も小さくなるようなパラメータを求めるのです。

出発点：
再帰的な計算を始めるには、初期値（\(\ell_0, b_0, s_0\) など）が必要です。通常、これらは最初の数期間のデータの単純平均などを用いて設定されます。

クイック復習ボックス：
- SES: 水準のみ（パラメータ1つ：\(\alpha\)）。
- ホルト法: 水準 ＋ トレンド（パラメータ2つ：\(\alpha, \beta^*\)）。
- ホルト・ウィンターズ法: 水準 ＋ トレンド ＋ 季節性（パラメータ3つ：\(\alpha, \beta^*, \gamma\)）。

6. よくある間違いを避けるために

1. \(\alpha\) と \(\beta^*\) を混同しない： \(\alpha\) は常に水準（最も基本的な部分）のためのもので、\(\beta^*\) はトレンド（傾き）のためのものだと覚えておきましょう。
2. 予測式で \(h\) を忘れない： ホルト法では、予測が先になればなるほど、トレンド（\(b_t\)）を足す回数が増えます。3ステップ先を予測するなら、\(\ell_t + 3b_t\) となります。
3. モデルの選択ミス： データが「扇状」に広がっているように見える場合、加法モデルを使ってはいけません。乗法モデルを使いましょう！

試験当日のためのまとめ表

単純指数平滑法：平坦なデータ用。予測は一定。
ホルトの線形法：トレンドがあるデータ用。予測は直線的。
ホルト・ウィンターズ加法：トレンド ＋ 一定の幅の季節性用。
ホルト・ウィンターズ乗法：トレンド ＋ 変化する幅の季節性用。

公式を見て圧倒されそうになっても大丈夫！Exam SRMでは、手計算を50回繰り返すことよりも、どのモデルを適用すべきかを見極め、パラメータを解釈することに重点が置かれます。練習を続ければ、すぐにマスターできますよ！