Ein maschinelles Lernverfahren zur univariaten Zeitreihenprognose von vierteljährlichen Einnahmen

Zusammenfassung Wir schlagen unser Modell zur Vorhersage vierteljährlicher Einnahmen (QEP SVR) vor, das auf der Epsilon-Support-Vektor-Regressionsanalyse (ε-SVR) basiert und als neues univariates Modell für die Prognose vierteljährlicher Einnahmen dient. Dies folgt den Empfehlungen von Lorek (Adv Account 30:315–321, 2014. 10.1016/j.adiac.2014.09.008), der feststellt, dass, obwohl das von Brown und Rozeff entwickelte Modell (J Account Res 17:179–189, 1979) (BR ARIMA) nach wie vor als das führende univariate Modell propagiert wird, es möglicherweise nicht mehr geeignet ist, um die jüngsten vierteljährlichen Einnahmenserien zu beschreiben. Wir führen empirische Studien mit aktuellen Daten durch, um die Vorhersagegenauigkeit des QEP SVR-Modells mit der des BR ARIMA-Modells unter einer Vielzahl von Bedingungen zu vergleichen. Unsere Ergebnisse zeigen, dass die Vorhersagegenauigkeit des QEP SVR-Modells die des BR ARIMA-Modells unter 24 von 28 getesteten Experimentbedingungen erheblich übersteigt. Darüber hinaus wird unter allen Bedingungen, die kurze Prognosezeiträume oder eine begrenzte Verfügbarkeit historischer Daten betreffen, eine Signifikanz erreicht. Daher befürworten wir den Einsatz des QEP SVR-Modells für Unternehmen, die kurzfristige operative Planungen durchführen, für neu gegründete Unternehmen und für Unternehmen, die ihr Geschäftsmodell umstrukturiert haben.