以下是一些常见的定量预测策略：
时间序列预测
这种定量方法使用时间序列 模型化的 历史数据来预测未来结果。时间序列是按时间顺序绘制的一系列数据点。
时间序列预测模型有助于揭示数据中受周期、不规则波动、季节性和其他变化影响的可预测趋势。
时间序列分析经常与时间序列预测一起被提及。时间序列分析需要理解时间序列数据以从中获得洞察分析，而时间序列预测则超越了分析，而是预测未来值。
时间序列预测包含多种方法：
朴素法
天真法使用上一期的数据点作为下一期的预测。这使其成为最简单的时间序列预测方法，通常被视为初步基准。
简单移动平均法
简单移动平均法计算过去 T 个周期数据点的平均值。然后将该平均值作为下一时期的预测值。
加权移动平均值
这种方法以简单移动平均法为基础，但对过去 T 个周期的每个数据点都施加了权重。
指数平滑法
指数平滑法的工作原理是对时间序列数据进行指数加权平均。数据越旧，权重就越小——数据越新，权重就越大。
平滑系数（也称作平滑系数或平滑参数）可控制分配给过去和当前数据的权重。然后利用这些权重计算出加权移动平均值，作为预测值。这种预测成为时间序列的平滑版本，消除了数据中的波动、噪音、异常值和随机变化。
指数平滑通常不需要庞大的数据集，这使其成为良好的短期预测方法。而且，由于指数平滑赋予了当前数据更大权重，因此可以快速适应新趋势或不断变化的趋势。
季节指数法
对于商品或服务的生产或需求受季节影响的企业来说，季节性指数可能很有价值。
要计算季节性指数，就需要用某一特定季节的平均需求量除以所有季节的平均需求量。这些平均值通常使用移动平均技术计算得出，但也可以使用该季节的时间序列数据应用指数平滑法。季节性指数小于 1 表示需求低于平均水平，而大于 1 则表示需求高于平均水平。
为了估算下一季的预测，该季的预测需求量将乘以相应的季节性指数。
因果模型
因果模型是数据中因果关系的数学表达。这些预测模型适用于较长时间范围的预测。
回归模型
回归模型分析的是被预测变量或因变量与一个或多个预测变量或独立变量之间的关系。以 线性回归为例，这类回归模型表示的是被预测变量和预测变量之间的线性关系。
计量经济学模型
计量经济学模型与回归模型类似，但侧重于经济变量（例如利率和通货膨胀）以及经济关系（例如市场状况和资产价格）。
定量预测的优点和局限性
定量预测具有以下优势：
它以数字和数学为基础，可以做出更客观的预测。
它提供一致、可复制和结构化的输出结果，有助于简化特定时间范围内的分析。
但这种预测方法也存在一些缺陷：
很难将专家洞察、内幕信息等定性数据结合起来进行定量预测。
它需要足够的历史数据才能做出可靠的预测。