滚动预测准确性：迭代过程中是否应重新选择或计算模型？

针对你提到的滚动预测准确性评估中的两个疑问，结合时间序列建模的实践经验，我整理了如下解答：

一、滚动迭代时是否需要重新选择模型？ #

这个问题的核心取决于你的评估目标：

• 如果你的目的是模拟真实业务中的预测流程（毕竟实际场景里，每次做预测前你都会基于最新数据重新挑选最优模型），那每次迭代都重新选择模型是更合理的——因为时间序列数据往往存在分布漂移，旧的模型选择可能不再适配新窗口的数据特征。
• 如果是要对比不同模型的长期稳定性（比如测试ARIMA和Prophet谁在固定参数设定下的泛化能力更强），那可以固定初始模型不重新选择，这样能排除模型选择带来的变量干扰，更专注于模型本身的性能表现。

二、滚动周期法的两种方案：重新训练vs固定初始参数？ #

你提到的两种方案其实对应时间序列滚动评估里的两种典型思路，结合业内的共识（包括相关领域专家的研究），具体差异和适用场景如下：

1. 方案A：每个新窗口执行auto.arima()并计算误差
   这属于滚动重新拟合的思路，优势是能紧密跟随数据的动态变化——比如趋势反转、季节性强度变化等，每次都用最新窗口的数据找到最优模型参数，得到的准确性指标最贴近真实预测的效果。但缺点也很明显：计算成本更高，尤其是当数据量较大时，反复运行auto.arima()会消耗不少时间。
2. 方案B：初始窗口训练模型后，固定参数做后续预测
   这属于固定参数滚动预测的思路，它的优势是计算效率高，而且能直观评估模型参数的时间鲁棒性——如果后续步骤的误差逐渐上升，说明数据分布发生了漂移，模型需要更新。但这种方法可能会错过数据的阶段性变化，导致后期预测误差偏高。

哪种方案更优？ #

没有绝对的标准答案，还是看你的评估目的：

• 若要得到最贴合实际业务的预测准确性结果，优先选方案A；
• 若要测试模型的稳定性或做不同模型的公平对比（控制变量，只看参数固定下的表现），方案B会更合适。

内容的提问来源于stack exchange，提问作者CD.