歡迎來到指數平滑法 (Exponential Smoothing) 的世界！
各位未來的精算師大家好！今天我們要深入探討時間序列 (Time Series) 工具箱中最實用的一項工具：指數平滑法 (Exponential Smoothing)。與 ARIMA 等著重於觀測值之間相關性的模型不同，指數平滑法完全是關於加權平均數 (Weighted Averages) 的應用。
試著這樣想：當你想預測明天的天氣時，你比較在乎昨天發生的事，還是三年前發生的事？沒錯，就是昨天！指數平滑法讓我們能賦予近期數據更高的「權重」，同時慢慢「淡忘」遙遠的過去。這不僅直觀、強大，更是 Exam SRM 考試中的熱門考點。讓我們開始吧！
1. 核心概念：什麼是指數平滑法？
簡單來說，指數平滑法透過計算過去觀測值的加權平均數來預測未來數值。「指數」這個名稱源於權重會隨著數據變得久遠而呈現指數級下降。
關鍵概念：平滑參數 (\(\alpha\))
我們給予最近一次觀測值的權重由 \(\alpha\) (alpha) 表示。
- 如果 \(\alpha\) 接近 1，我們將幾乎所有的權重給予最新的數據（模型對變化反應非常迅速）。
- 如果 \(\alpha\) 接近 0，我們將更多權重給予遙遠的過去（模型非常「平滑」，變動緩慢）。
你知道嗎？
指數平滑法經常應用於零售業的庫存管理。如果某種玩具在 12 月突然變得熱門，模型需要對這一趨勢做出快速反應，但它又不該完全忽略該玩具在一年中其他月份的基準銷量！
2. 簡單指數平滑法 (Simple Exponential Smoothing, SES)
SES 是所有模型的基礎。當數據沒有明顯趨勢且沒有季節性模式時，我們就會使用它。它呈現的是一條穿過時間的平坦直線。
組成方程式：
\( \ell_t = \alpha y_t + (1 - \alpha) \ell_{t-1} \)
其中：
- \( \ell_t \)：時間 \(t\) 的估計水平 (level)。
- \( y_t \)：時間 \(t\) 的實際觀測值。
- \( \alpha \)：平滑參數 (\(0 \le \alpha \le 1\))。
預測方程式：
由於 SES 假設沒有趨勢，因此對未來任何一點的預測都只是當前的水平：
\( \hat{y}_{t+h|t} = \ell_t \)
（這意味著你對未來 1 期、5 期或 100 期後的預測值完全相同！）
快速總結：SES 就像是所有過往觀測值的「加權平均」，且越往回推，權重越低。
3. Holt 線性趨勢法 (Holt’s Linear Trend Method)
如果你的數據在穩定上升或下降怎麼辦？SES 因為「看不見」斜率而無法奏效。這時就是 Holt 法登場的時刻了。它增加了一個趨勢成分 (trend component, \(b_t\))。
如果這看起來有點複雜，別擔心！把它想像成兩個堆疊在一起的 SES 方程式即可：一個用於水平 (level)，另一個用於斜率 (trend)。
方程式：
1. 水平： \( \ell_t = \alpha y_t + (1 - \alpha)(\ell_{t-1} + b_{t-1}) \)
2. 趨勢： \( b_t = \beta^*(\ell_t - \ell_{t-1}) + (1 - \beta^*)b_{t-1} \)
3. 預測： \( \hat{y}_{t+h|t} = \ell_t + h b_t \)
關鍵術語：
- \(\beta^*\) (beta)：趨勢的平滑參數。和 \(\alpha\) 一樣，介於 0 到 1 之間。
- \(h\)：你預測未來的期數。
比喻：
試著想像駕駛汽車。水平 (\(\ell\)) 是你在路上的當前位置。趨勢 (\(b\)) 是你的速度。如果你想知道 2 小時後你會在哪裡 (\(h=2\))，你只需取當前位置加上 2 倍的速度！
重點總結：Holt 法 = 水平 + 趨勢。預測結果是一條有斜率的直線。
4. Holt-Winters 季節性方法 (Holt-Winters Seasonal Method)
現在，讓我們增加最後一層：季節性 (Seasonality)。這是為了處理具有週期性的數據，例如冰淇淋銷量（夏天高，冬天低）。此方法使用三個平滑參數：\(\alpha\)（水平）、\(\beta^*\)（趨勢）和 \(\gamma\)（季節性）。
在 Exam SRM 中，你需要了解兩種 Holt-Winters 的變體：
A. 加法模型 (Additive Method)
當季節性波動的幅度大致相同，而不受序列水平影響時使用。
範例：無論你是賣 500 把還是 5,000 把雨傘，每年三月你總是會多賣出 100 把。
B. 乘法模型 (Multiplicative Method)
當季節性波動隨水平成比例增加或減少時使用。
範例：你 12 月的咖啡銷量會多 20%。如果你的生意規模擴大，這「20%」所代表的杯數就會變得非常可觀！
重要提示：在考試中，如果你看到季節性擺動隨著數據趨勢上升而變得「越來越寬」，那麼你看到的就是乘法模型。
記憶小撇步：
Additive（加法） = Addition（水平 + 季節性）
Multiplicative（乘法） = Multiplication（水平 \(\times\) 季節性）
5. 參數選擇與初始化
我們該如何挑選最佳的 \(\alpha\)、\(\beta^*\) 和 \(\gamma\) 呢？
最佳化：
在實務上，我們會使用軟體來找出能讓殘差平方和 (Sum of Squared Errors, SSE) 最小化的數值。我們希望參數能使我們的「單期預測」盡可能接近實際數據。
起點：
為了開始遞迴計算，我們需要初始值（如 \(\ell_0, b_0, s_0\)）。通常，這些值是透過前幾期數據的簡單平均數來設定的。
快速複習表：
- SES：僅水平（1 個參數：\(\alpha\)）。
- Holt's：水平 + 趨勢（2 個參數：\(\alpha, \beta^*\)）。
- Holt-Winters：水平 + 趨勢 + 季節性（3 個參數：\(\alpha, \beta^*, \gamma\)）。
6. 常見錯誤避雷區
1. 搞混 \(\alpha\) 和 \(\beta^*\)：記住 \(\alpha\) 永遠對應水平（最基礎的部分），而 \(\beta^*\) 對應趨勢（斜率）。
2. 預測時忘了乘以 \(h\)：在 Holt 法中，預測得越遠，你就必須累加越多次趨勢 (\(b_t\))。如果你預測 3 期後，公式就是 \(\ell_t + 3b_t\)。
3. 選錯模型：如果數據看起來像「扇形」（越來越寬），千萬不要用加法模型；要用乘法模型！
考試當日總結表
簡單指數平滑 (SES)：用於水平數據。預測值為常數。
Holt 線性法：用於帶有趨勢的數據。預測值為線性。
Holt-Winters 加法：用於具備趨勢且季節性幅度固定的數據。
Holt-Winters 乘法：用於具備趨勢且季節性幅度會隨之變動的數據。
如果這些公式看起來很重，別擔心！在 Exam SRM 中，重點通常在於理解該選用哪種模型以及解釋參數含義，而非進行 50 步的手工計算。繼續練習，你很快就能精通！