RollingoriginValidierung

RollingoriginValidierung, auch Rolling-Origin-Validierung oder rolling-origin cross-validation genannt, ist eine Methode der Zeitreihen-Kreuzvalidierung. Sie dient der realitätsnahen Schätzung der Vorhersagegenauigkeit, indem der Forecast-Origin schrittweise nach vorn verschoben wird und das Modell jeweils mit einem zeitlich aufeinanderfolgenden Trainingssatz trainiert wird.

Bei der Vorgehensweise beginnt man mit einem initialen Trainingsfenster aus historischen Beobachtungen. Für jeden Schritt wird ein Forecast für die nächste(n) Periode(n) erzeugt und mit dem tatsächlichen Wert verglichen. Danach wird das Trainingsfenster entsprechend der gewählten Variante aktualisiert: beim expandierenden Fenster wächst der Trainingssatz, beim gleitenden Fenster werden ältere Beobachtungen entfernt.

Zweck ist es, die Haltbarkeit von Forecast-Modellen unter realistischen Bedingungen zu prüfen, insbesondere unter Nicht-Stationarität oder Strukturbrüchen, und die Prognoseleistung über die Zeit hinweg zu bewerten.

Varianten: Expanding-window rolling origin (rollender Ursprung mit wachsendem Fenster); Rolling-window oder Sliding-window (festes Fenster, älteste Beobachtungen werden entfernt). Je nach Problem können verschiedene Vorhersagehorizonte (h) verwendet werden, sodass mehrere Fehlerreihen entstehen.

Metriken wie MAE, RMSE, MAPE dienen der Messung der Fehler. Wichtige praktische Aspekte sind ausreichend viele Folds, Vermeidung von Informationsleck, Beibehaltung der zeitlichen Reihenfolge und eine sinnvolle Anfangsgröße des Trainingsfensters.

In der Praxis wird RollingoriginValidierung in R etwa mit der tsCV-Funktion des forecast-Pakets umgesetzt; in Python unterstützen Bibliotheken wie sktime oder scikit-learn TimeSeriesSplit ähnliche Ansätze.