Comparative Study of Sarima and Lstm Model to Forecast the Insurance Comprehensive Income (Loss) in Indonesia
本研究比较了用于预测印度尼西亚保险综合收益的 SARIMA 和 LSTM 模型，发现虽然 SARIMA 能更好地捕捉季节性趋势，但两种模型都表现出有限的准确性，这表明需要未来的混合方法和外部变量来提高预测性能。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，你正试图预测印度尼西亚某个特定城市的天气，但预测的不是降雨和阳光，而是保险公司的“财务健康状况”（具体指综合收益总额或亏损）。本文作者 Hiteash Mahajan 旨在观察哪种不同的“天气预报员”表现得更好：一个经典的、基于规则的计算器——SARIMA，还是一个现代的、类脑的计算机程序——LSTM。
以下是该论文研究结果的拆解，使用了简单的类比。
两位预报员
1. SARIMA（季节性年鉴）
把 SARIMA 想象成一本过时的年鉴。它观察历史并说：“去年，数字在十二月上升，在十月下降。因此，今年它们很可能会表现得大致相同。”
- 工作原理： 它非常擅长发现重复的模式（季节性）。它假设未来在很大程度上会与过去相似，只是发生了轻微的偏移。
- 论文结论： SARIMA 是这场比赛的获胜者。它成功识别了保险公司财务状况的年度“舞步”。它知道何时根据日历预期会出现高峰和低谷。
2. LSTM（深度学习大脑）
把 LSTM 想象成一名读遍了每一份已发表的财务报告，并试图理解市场“感觉”的学生。它不仅仅是在寻找重复的模式；它试图理解复杂的、混乱的、非线性的关系，比如一场突如其来的风暴如何出人意料地改变天气。
- 工作原理： 它使用神经网络（类似于简化的类人脑），来记忆长期趋势和短期波动。
- 论文结论： 出人意料的是，这个“聪明”的大脑在这里遇到了困难。虽然它试图学习这些模式，但它变得过于谨慎了。它把数据过度平滑化了，从而错过了实际发生的剧烈、突然的跳跃和跌落。
比赛结果
作者在 2017 年至 2025 年间，利用来自印度尼西亚保险公司的真实数据对两种模型进行了测试。
- SARIMA 年鉴： 它的表现尚可。它追踪了资金流动的总体方向，并正确识别了季节性的起伏。然而，它并非完美。它倾向于预测一条“平滑”的路径，错失了一些利润或亏损中的剧烈、突然的峰值。
- LSTM 大脑： 它的表现不如年鉴。论文指出，LSTM 模型遭受了“欠拟合”的问题。想象一位画家试图临摹一段崎岖的山脉，却只画出了一个缓丘。LSTM 模型过于平滑；它未能捕捉到数据中的极端波动（即巨大的峰值和崩盘）。它的误差率实际上比这个较简单的模型还要高。
核心启示
主要的结论有点讽言：在这种特定情况下，简单的、基于规则的模型（SARIMA）击败了复杂的、基于人工智能的模型（LSTM）。
为什么？因为这些保险公司的财务数据具有非常强烈的、可预测的季节性模式（就像钟表的机械结构一样）。SARIMA 正是为时钟而设计的。而 LSTM 擅长处理混沌、不可预测的数据，它被这组数据的特殊性质搞糊涂了，无法处理那些尖锐、突然的变化。
“但是……”（局限性）
作者坦诚地表示，没有任何一个模型是完美的。
- SARIMA 擅长“季节性节奏”，但错过了“突发冲击”。
- LSTM 太过平滑，错过了“极端峰值”。
- 两者 的误差率（具体指一个名为 MAPE 的指标）都很高，这意味着它们的预测与实际的现实世界数值相比仍然相当偏离。
未来方向
论文建议，与其仅仅选择其中之一，最好的解决方案可能是混合模型。想象一下，雇佣年鉴（SARIMA）来处理可预测的年度周期，同时雇佣大脑（LSTM）来处理奇怪且不可预测的混乱。通过将两者结合，或者更仔细地调整人工智能的设置，未来的模型或许最终能变得足够准确，从而对投资者和管理者真正有用。
简而言之： 对于这组特定的印度尼西亚保险数据，这种“老派”的季节性计算器胜过了“新派”的人工智能大脑，但两者在能够实现高精度预测之前，仍有很大的提升空间。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。