Qazanclar:
- Süni intellektin dəstəyi ilə trend, mövsümilik, dövr və stasionarlıq kimi zaman seriyası anlayışlarını başa düşmək və seriyanı düzgün təhlil edə bilmək
- ARIMA, ETS və sadə etalon modelləri kod kimi süni intellektə quraşdırmaq, proqnozlar hazırlamaq və onları geri sınaqla qiymətləndirmək bacarığı
- Qeyri-müəyyənlik diapazonu, model limiti və struktur pozğunluğu şəraitində proqnozun kövrəkliyini başa düşmək və proqnoza görə məsuliyyətin iqtisadçıda qaldığını saxlamaq.
İqtisadiyyatın dili zamandır. İnflyasiya, artım, işsizlik, valyuta məzənnələri — bunların hamısı zamanla axan silsilələrdir və iqtisadçının ən çox soruşduğu şeylərdən biri də “bundan sonra nə olacaq?” sualıdır. sualdır. Bu bölmədə biz zaman seriyası anlayışlarını anlamaq, model kodu qurmaq və proqnozlar hazırlamaq üçün süni intellektdən istifadə edəcəyik. Amma gəlin əvvəldən çərçivəni dəqiqləşdirək: Proqnoz peyğəmbərlik deyil, qeyri-müəyyənlik şəraitində şərti proqnozdur və məsuliyyət iqtisadçının üzərinə düşür. AI sizə bir neçə dəqiqə ərzində ARIMA kodu yaza bilər; Amma bu proqnozun ağlabatan olub-olmamasına və struktur qırılma qarşısında çöküb-çürülməyəcəyinə qərar verən insandır.
Zaman seriyasının komponentləri
Hər hansı iqtisadi seriyanı dörd hissəyə bölməklə düşünməyə kömək edir:
- Trend (meyl). Uzunmüddətli istiqamət; iqtisadiyyatın inkişaf yolu kimi.
- Mövsümilik. İl boyu müntəzəm olaraq təkrarlanan nümunə; Yayda turizm, dekabrda pərakəndə satış artır.
- Dövr (konyunktura). Mövsümdən daha uzun, nizamsız enişlər və enişlər; genişlənmə və daralma dövrləri.
- Qeyri-səlis/səs-küy. İzah olunmayan, təsadüfi dalğalanma.
Bir sıra qiymətləndirmədən əvvəl bu komponentləri parçalamaq lazımdır. Çünki xam seriyalara baxmaq və "düşür" demək sizi aldada bilər: bəlkə siz sadəcə mövsümi bir çuxurdasınız.
Stasionarlıq anlayışı da var: seriyanın statistik xassələri (orta, dispersiya) zamanla dəyişmir. Əksər iqtisadi sıralar stasionar deyil (daim artır); Bir çox modellər qurmazdan əvvəl fərqləndirmə (bir dövrü digərindən çıxmaq) və ya loqarifmlərlə stasionarlaşdırma tələb edir. AI bu addımları tövsiyə edir, lakin onların nə üçün lazım olduğunu bilmək sizi qoruyur.
İpucu: Proqnozlaşdırmadan əvvəl həmişə seriyanı tərtib edin və parçalayın. Görünən struktur pozğunluğu (məsələn, böhran və ya valyuta islahatı) ən qabaqcıl modeli belə aldadacaq. Diaqram ən ucuz diaqnostik vasitədir.
Modellər: sadədən mürəkkəbə, lakin ilk növbədə etalon
Zaman sıralarının proqnozlaşdırılmasında qızıl qayda: həmişə sadə etalon modellə başlayın. Ən sadə proqnoz “sadəlövh proqnoz”dur: sabah bu günə bərabər olacaq (yaxud mövsümi sadəlövh: bu ay keçən ilin eyni ayına bərabərdir). Əgər mürəkkəb model bu sadəlövh proqnoza qalib gələ bilmirsə, mürəkkəblik əbəsdir.
Sonra tez-tez istifadə olunan üsullar:
- ETS / Eksponensial hamarlaşdırma. Səviyyəni, trendi və mövsümi çəki ilə yumşalan ailə.
- ZƏNG EDİR. Avtoreqressiv (keçmiş dəyərlər əsasında) və hərəkətli orta komponentləri birləşdirən klassik model; mövsümi versiya SARIMA.
- Reqressiya əsaslı/izahedici modellər. Bir dəyişəni digər göstəricilərlə izah etmək (məsələn, gəlir və qiymətə görə tələb).
Süni intellekt bütün bunları statsmodellərdə (Python kitabxanası) kodlaya bilir. Sizin işiniz modelləri seçmək və təsdiqləməkdir.
Backtest: proqnoz testi
Bir modelin tarixi məlumatlara "yaxşı uyğunlaşması" heç nə demək deyil; İstənilən modelə uyğun olmaq üçün kifayət qədər çevikdir (bu, həddindən artıq uyğunlaşma adlanır). Əsl sual: model görmədiyi dövrləri nə dərəcədə proqnozlaşdırır? Bunu ölçmək üçün siz backtesting edirsiniz: məlumatları bir tarixdə bölürsünüz, modeli əvvəlki hissə ilə öyrədirsiniz, ondan növbəti hissəni “sanki gələcəkmiş kimi” proqnozlaşdırır və reallıqla müqayisə edirsiniz. Səhv ölçüləri (məsələn, MAE - orta mütləq səhv və ya RMSE - kök orta kvadrat xətası) modeli etalonla müqayisə etməyə imkan verir.
Diqqət: Qiymətləndirdiyiniz məlumatlarla modeli öyrətməyin. Proqnozun müvəffəqiyyətini yalnız məşqdə istifadə olunmayan dövrlərdə ölçün. Əks halda özünüzü aldadacaqsınız; Model kağız üzərində əla görünür, amma reallıqda yararsızdır.
Qeyri-müəyyənlik: aralıq, nöqtə təxmini deyil
Tək bir rəqəm (“inflyasiya ilin sonuna 24 faiz olacaq”) yanlış əminlik yaradır. Dürüst təxmin bir sıra və ehtimalı ehtiva edir: "21-27 faiz diapazonunda mərkəz ssenarisi 24 faizdir". Proqnozun qeyri-müəyyənliyi modelin yaratdığı etimad intervallarında ifadə edilir; lakin real qeyri-müəyyənlik bundan böyükdür, çünki model fərziyyələri də yanlış ola bilər. Struktur qırılma (siyasət dəyişikliyi, xarici şok) modelin görə bilmədiyi ən böyük riskdir.
üç mini qutu
1-ci hal - Benchmarkı keçə bilməmək. Bir analitik süni intellektə aylıq pərakəndə satış üçün kompleks SARIMA qurmağı tapşırdı. Geri testdə modelin orta mütləq səhvi "bu ay keçən ilin eyni ayına bərabərdir" deyən mövsümi sadəlövh proqnozdan daha pis idi. Analitik kompleks modeli tərk etdi; O, sadəlövh təxminləri əsas götürdü və ekspert düzəlişini əlavə etdi. Sadəlik qalib gəlir.
2-ci hal – Struktur qırılma. Bir qurum şokdan sonrakı dövr üçün məzənnə şokundan əvvəl məlumatlarla öyrətdiyi inflyasiya modelindən istifadə etdi. Model inflyasiyanı ciddi şəkildə aşağı qiymətləndirdi, çünki o, ötən sakit dövrün dinamikasını öz üzərinə götürdü. Dərs: model təlim aldığı dünyanı qəbul edir; Dünya dəyişdikdə, proqnozlar çökür. İqtisadçı qrafikə baxsaydı, qırılmanı görərdi.
3-cü vəziyyət - çeşidin dürüstlüyü. İqtisadçı il sonu artım proqnozunu rəhbərliyə tək rəqəm kimi deyil, “3,0-4,2 faiz bandı, əsas fərziyyələrdir” şəklində təqdim edib. İlin sonuna reallaşma 3,6 faiz; Qrupda idi. Əgər o, tək bir nömrə versəydi, ona “səhv” damğası vurula bilərdi; diapazon və fərziyyələr həm dürüst, həm də qorunan inam idi.
Model seçim cədvəli
Vəziyyət
düzgün başlanğıc
qeyd
Hər fərziyyə
Sadəlövh / mövsümi sadəlövh meyar
Döymək üçün əsas
Trend + mövsümilik, düz
ETS (eksponensial hamarlama)
Quraşdırmaq və şərh etmək asandır
Avtokorrelyasiya seriyası
(S) ARIMA
Stabilləşmə lazımdır
İzahedici dəyişən var
Reqressiya əsaslıdır
Gələcəyin proqnozları da olmalıdır
Struktur qırılma şübhəsi
Model + ekspert korreksiyası
Təmiz model kifayət deyil
Dörd kopyalana bilən şablon
1) Təhlil və diaqnoz:
Həmin aylıq seriyanı [seriya] tərtib edin, sonra onu trend/mövsüm/qalıq komponentlərə (statsmodellər) ayırın. Onun stasionar olub olmadığını yoxlayın (ADF testi) və lazım gələrsə, hansı transformasiyanı (log, fərq) tövsiyə etdiyinizi izah edin. Diaqramda görünən struktur qırılma olub olmadığını qeyd edin.
2) Benchmark + model müqayisəsi:
Əvvəlcə bu seriya üçün mövsümi sadəlövh müqayisəli proqnoz hazırlayın. Sonra ETS və SARIMA qurun. Hər üçünü MAE və RMSE əsasında backtest ilə müqayisə edin (son 12 ayın sınağı). Nəticələri cədvəlləşdirin və hansı modelin etalondan üstün olduğunu aydın şəkildə bildirin.
3) Təxmini və qeyri-müəyyənlik diapazonu:
Seçdiyim model üçün növbəti 6 dövrü proqnozlaşdırın və 80%/95% etibar intervalları verin. Təxmini bir ədəd kimi deyil, diapazon kimi təqdim edin. Aydın olun ki, bu diapazon YALNIZ model qeyri-müəyyənliyini əhatə edir, strukturun qırılması/xarici zərbə riskini deyil.
4) Geri test oxu:
Bu geri test nəticələrini şərh edin [cədvəl]. Model həqiqətən etalondan üstündür, yoxsa fərq statistik olaraq əhəmiyyətsizdir? Modelinizin hansı dövrlərdə ən çox səhv etdiyini bildirin və bunun mümkün iqtisadi səbəbini (böhran, mövsüm dəyişikliyi) sual altına alın.
Zəif məlumat / Güclü göstəriş
Zəif çağırış:
Bu serialı təxmin edin.
Süni intellekt təsadüfi model qurur, backtest etmir, tək ədəd verir; Modelin işləyib-işləmədiyini bilmirsiniz.
Güclü göstəriş:
Əvvəlcə cari aylıq inflyasiya seriyasını parçalayın və fasilələri skan edin. Mövsümi sadəlövh meyarlara qarşı son 12 ayda ETS və SARIMA-nı MAE ilə müqayisə edin. Standartı aşan modeli seçin, 6 aylıq proqnoz verin və 80% aralığı qoyun. Strukturun qırılma riskini ayrıca xəbərdarlıq kimi yazın. Əl ilə yoxlaya biləcəyim hər bir addım üçün kodu və xülasə nömrələrini göstərin.
Ümumi səhvlər
- Benchmarklar qurmadan mürəkkəb modelə keçid. Mürəkkəblik uğura bərabər deyil.
- Modelin təlim keçdiyi məlumatlar əsasında qiymətləndirilməsi. Uğur üçün həddindən artıq uyğunluğu səhv salmaq.
- Tək nöqtəli qiymətləndirmənin verilməsi. Yanlış əminlik; diapazon və fərziyyə tələb olunur.
- Struktur qırılmaya məhəl qoymamaq. Keçmiş dinamikanı kor-koranə gələcəyə daşımaq.
- Stabilizasiyanın atlanması. Saxta münasibətlər və təhrif edilmiş proqnozlar.
- Proqnozu peyğəmbərlik kimi təqdim etmək. Qeyri-müəyyənliyi və məsuliyyəti gizlətmək.
Xülasə
Zaman sıralarının proqnozlaşdırılması seriyanı komponentlərinə ayıraraq, onu stasionar hala gətirərək, sadə etalon quraraq, modelləri geri sınaqdan keçirməklə müqayisə etməklə və nəticəni qeyri-müəyyənlik diapazonu ilə vicdanla təqdim etməklə həyata keçirilir. Süni intellekt bütün bu addımların kodunu sürətlə yaradır; Lakin model seçimi, struktur pozulma mühakiməsi və proqnozlaşdırma üçün məsuliyyət iqtisadçının üzərinə düşür. Proqnoz peyğəmbərlik deyil, şərti və qeyri-müəyyən bir proqnozdur.
Tətbiq tapşırığı
Aylıq iqtisadi sıra seçin (məsələn, sənaye istehsalı indeksi). 1-ci şablonla ayırın və qırılmaları skan edin, 2-ci şablonla mövsümi sadəlövh meyarlara qarşı ETS/SARIMA-nı yoxlayın, 3-cü şablonla 6 aylıq irəli diapazon proqnozu hazırlayın. Modelinizin həqiqətən etalondan üstün olub-olmadığına diqqət yetirin və gördüyünüz hər hansı struktur fasilələri qeyd edin.
yoxlama siyahısı
- [ ] Serialın planını tərtib etdim və tendensiya/mövsümilik/breyk baxımından diaqnoz qoydum.
- [ ] Lazım gələrsə stasionarlaşdırma (log/fərq) tətbiq etmişəm və səbəbini bilirəm.
- [ ] Mən sadə bir meyar qurdum və mürəkkəb modeli onunla müqayisə etdim.
- [ ] Mən modeli yalnız məşqdə olmadığı dövrlərdə qiymətləndirdim (backtest).
- [ ] Mən təxmini bir ədəd deyil, qeyri-müəyyənlik diapazonu ilə təqdim etdim.
- [ ] Struktur qırılma/xarici şok riskini ayrıca xəbərdarlıq kimi qeyd etdim.
- [ ] Proqnozlaşdırma və yekun mühakimə üçün məsuliyyətin mənim üzərimdə olduğunu müdafiə etdim.