让我们一次一个地回答你的问题：

• 有没有什么方法可以在不测试所有参数的情况下确定最佳平滑参数？

您可以将问题投射到状态空间框架中，然后使用标准数值库对参数进行数值优化。指数平滑预测 - Hyndman 等人的状态空间方法。将是一个很好的起点。

• 使用 R.NET 使用 R 的预测包会更快吗？

很难说。我没有使用 R.NET 的经验。例如，直接ets()在包中使用（确实使用状态空间方法）forecast肯定会更快，特别是如果像您那样指定模型而不是让ets()找到（希望）最好的模型。

如果是这样，我应该：

• 使用每日或每月数据？

这应该真的取决于你想对预测做什么。您真正需要什么样的预测粒度来做出决策？有时，最好先预测更高频率的数据，然后再进行汇总，但通常情况下，我宁愿汇总历史记录并按我计划稍后使用的粒度进行预测。

另外，每日数据可能是间歇性的，在这种情况下，您不能使用 Holt(-Winters) 或 ARIMA，而应该使用 Croston 的方法。这可能会有所帮助。间歇性需求通常更难预测。

编辑：您写道，您需要确定安全量。好吧，现在您实际上需要考虑您的供应链。也许预测根本不是你的问题——如果销售量都是 0 或 1，并且你可以在一天内补充库存，你最好的策略是手头总是有 1 个单位并在每次销售后补充，完全忘记预测。

如果不是这种情况（您写道，您在总体水平上具有季节性），您可能需要做一些临时的事情，因为我认为没有任何季节性间歇性需求。您可以聚合数据以获取季节性预测，然后将其下推到 SKU 级别以获取该级别的预测（例如，通过根据历史比例分配聚合预测），最后通过获取分位数（例如，泊松）获得安全量分配。正如我所说，这是非常临时的，几乎没有统计基础，但它应该让你达到 90% - 鉴于预测是一门不精确的科学，最后 10% 可能无论如何都不可行。

• 也制作一个auto.arima？如何确定哪种型号更好？

是的，也试试那个。正如您在评论中描述的那样，使用坚持样本来确定哪个模型更好，这是非常好的做法。

还要查看来自不同方法的预测平均值——通常，这样的平均值比成分预测产生更好的预测。编辑：也就是说，同时拟合 Holt-Winters 和auto.arima模型，计算两个模型的预测，然后，对于未来的每个时间段，取两个模型的两个预测的平均值。你也可以用更多的模型来做到这一点——如果组件模型“非常不同”，平均似乎效果最好。从本质上讲，您正在减少预测的方差。

• 我的回测方法（仅使用该点之前的数据制作模型）是否有效以确定模型是否优于另一个模型？

正如我上面写的：是的，是的。这是样本外测试，这确实是评估预测准确性和方法质量的最佳方式。

• 编辑：我怎么能在 R 中做到这一点（在不考虑模型的情况下对最后 12 个数据进行预测）？

不幸的是，没有办法获取一个ets()拟合的对象并用一个新的数据点更新它（就像在update()拟合的lm()模型中一样）。你需要打ets()十二次电话。

当然，您可以拟合第一个模型，然后重新使用ets()在第一次拟合中选择的模型进行后续改装。该模型在结果components部分中报告ets()。例如，以数据集的前五年为例USAccDeaths：

fit <- ets(ts(USAccDeaths[1:60],start=c(1973,1),frequency=12))

使用相同型号改装：

refit <- ets(ts(USAccDeaths[1:61],start=c(1973,1),frequency=12),
    model=paste(fit$components[1:3],collapse=""))

这将使改装快很多，但当然改装可能不再找到 MSE 最优模型。再说一次，如果只添加一些观察值，MSE 最优模型不应该发生太大变化。

一如既往，我强烈推荐这本免费的在线预测教科书。