Warum Zeitreihenprognosen so viel schwieriger sind als klassisches maschinelles Lernen

The unreasonable difficulty of time series forecasting

Zeitreihenprognosen gelten als besonders schwierig – und das aus gutem Grund. Dieser Beitrag analysiert, warum Zeitreihen nicht den Annahmen des klassischen maschinellen Lernens folgen: Sie stammen aus einem datengenerierenden Prozess statt aus einer Verteilung, was zu geringem Signal-Rausch-Verhältnis, kleinen effektiven Stichprobengrößen und extremer Verteilungsshift führt. Anhand von Benchmarks zeigt der Autor, dass einfache statistische Modelle bei stark saisonalen Daten oft besser abschneiden als komplexe neuronale Netze und Foundation-Modelle. Er erklärt die zugrunde liegenden Konzepte wie Stationarität, Ergodizität und Autokorrelation und warum selbst das Verstehen des Prozesses keine Prognose garantiert – wie das Beispiel von White Noise zeigt.