تحليل السلاسل الزمنية ودعم التنبؤ

المكاسب:

• فهم مفاهيم السلاسل الزمنية مثل الاتجاه والموسمية والدورة والثبات بدعم من الذكاء الاصطناعي والقدرة على تحليل السلسلة بشكل صحيح
• القدرة على تثبيت ARIMA وETS والنماذج المعيارية البسيطة في الذكاء الاصطناعي كرمز، وإنتاج تنبؤات وتقييمها من خلال الاختبار الخلفي
• القدرة على فهم هشاشة التوقعات في مواجهة نطاق عدم اليقين، والحد النموذجي والانهيار الهيكلي، والحفاظ على أن مسؤولية التنبؤ تقع على عاتق الخبير الاقتصادي.

لغة الاقتصاد هي الزمن. التضخم، والنمو، والبطالة، وأسعار الصرف - كلها سلاسل تتدفق مع مرور الوقت، وأحد الأسئلة التي يطرحها الاقتصاديون في أغلب الأحيان هو "ماذا سيحدث بعد ذلك؟" هو السؤال. في هذه الوحدة، سوف نستخدم الذكاء الاصطناعي لفهم مفاهيم السلاسل الزمنية، وبناء كود النموذج، وإنتاج التنبؤات. ولكن دعونا نوضح الإطار منذ البداية: إن التنبؤ ليس نبوءة، بل هو توقع مشروط في ظل عدم اليقين، والمسؤولية تقع على عاتق الخبير الاقتصادي. يمكن للذكاء الاصطناعي أن يكتب لك كود ARIMA في دقائق؛ لكن الإنسان هو الذي يقرر ما إذا كان هذا التنبؤ معقولا أم لا، وما إذا كان سينهار في مواجهة الانهيار الهيكلي.

مكونات السلسلة الزمنية

من المفيد التفكير في أي سلسلة اقتصادية من خلال تقسيمها إلى أربعة أجزاء:

• الاتجاه (الاتجاه). اتجاه طويل المدى؛ مثل مسار النمو الاقتصادي.
• الموسمية. نمط يتكرر بانتظام على مدار العام؛ تزداد السياحة في الصيف، وتزداد تجارة التجزئة في ديسمبر.
• دورة (الملتحمة). أطول من الموسم، صعود وهبوط غير منتظم؛ فترات التوسع والانكماش.
• غير منتظم / الضوضاء. تقلبات عشوائية غير مبررة.

قبل تقدير السلسلة، من الضروري تحليل هذه المكونات. لأن النظر إلى المسلسلات الخام والقول "إنها تتساقط" يمكن أن يكون مضللاً: ربما تكون في أدنى مستوياتها الموسمية.

هناك أيضًا مفهوم الثبات: الخصائص الإحصائية (المتوسط، التباين) للسلسلة لا تتغير مع مرور الوقت. معظم السلاسل الاقتصادية ليست ثابتة (تنمو باستمرار)؛ تتطلب العديد من النماذج الاختلاف (طرح فترة من أخرى) أو تثبيت اللوغاريتمات قبل البناء. يوصي الذكاء الاصطناعي بهذه الخطوات، ولكن معرفة سبب الحاجة إليها يحميك.

نصيحة: قم دائمًا برسم السلسلة وتحليلها قبل التنبؤ. إن أي انهيار هيكلي واضح (على سبيل المثال، أزمة أو إصلاح العملة) سوف يخدع حتى النموذج الأكثر تقدما. الرسم البياني هو أرخص أداة تشخيصية.

النماذج: من البسيط إلى المعقد، ولكن أولاً المعيار

القاعدة الذهبية في التنبؤ بالسلاسل الزمنية: ابدأ دائمًا بنموذج مرجعي بسيط. أبسط التوقعات هو «التوقع الساذج»: غدًا سيكون مساويًا لليوم (أو الساذج الموسمي: هذا الشهر يساوي نفس الشهر من العام الماضي). إذا لم يتمكن النموذج المعقد من التغلب على هذا التنبؤ الساذج، فإن التعقيد لا طائل منه.

ثم الطرق المستخدمة بشكل متكرر:

• إتس / التجانس الأسي. عائلة تعمل على تخفيف المستوى والاتجاه والموسمية من خلال ترجيحها.
• الاتصال. النموذج الكلاسيكي الذي يجمع بين مكونات الانحدار الذاتي (استنادا إلى القيم السابقة) والمتوسط ​​المتحرك؛ النسخة الموسمية ساريما.
• النماذج المبنية على الانحدار/التفسيرية. شرح المتغير بمؤشرات أخرى (مثل الطلب حسب الدخل والسعر).

يستطيع الذكاء الاصطناعي ترميز كل هذه العناصر في نماذج الإحصائيات (مكتبة بايثون). مهمتك هي اختيار النماذج والتحقق من صحتها.

الاختبار الخلفي: اختبار التنبؤ

لا يعني ذلك أي شيء إذا كان النموذج "يتناسب بشكل جيد" مع البيانات التاريخية؛ مرنة بما يكفي لتناسب أي نموذج (وهذا ما يسمى التجهيز الزائد). السؤال الحقيقي: إلى أي مدى يتنبأ النموذج بالفترات التي لم يشاهدها؟ لقياس ذلك، عليك إجراء اختبار رجعي: تقوم بتقسيم البيانات في تاريخ ما، وتدريب النموذج على الجزء السابق، وجعله يتنبأ بالجزء التالي "كما لو كان المستقبل" ومقارنته بالواقع. تسمح لك مقاييس الخطأ (على سبيل المثال، MAE - متوسط ​​الخطأ المطلق، أو RMSE - جذر متوسط ​​مربع الخطأ) بمقارنة النموذج بالمعيار.

تنبيه: لا تقم بتدريب النموذج باستخدام البيانات التي قمت بتقييمها. قياس نجاح التنبؤ فقط في الفترات غير المستخدمة في التدريب. وإلا فسوف تخدع نفسك؛ يبدو النموذج رائعًا على الورق ولكنه عديم الفائدة على أرض الواقع.

عدم اليقين: المدى، وليس تقدير النقطة

والرقم الوحيد ("سوف يصل التضخم إلى 24% بحلول نهاية العام") ينضح بيقين زائف. يتضمن التقدير الصادق نطاقًا واحتمالًا: "في النطاق 21-27 بالمائة، السيناريو المركزي هو 24 بالمائة". يتم التعبير عن عدم اليقين المتوقع في فترات الثقة التي ينتجها النموذج؛ ولكن حالة عدم اليقين الحقيقية أعظم من ذلك، لأن افتراضات النماذج قد تكون خاطئة أيضاً. ويشكل الانهيار الهيكلي (تغيير السياسات، والصدمة الخارجية) أكبر خطر لا يستطيع النموذج رؤيته.

ثلاث حالات صغيرة

الحالة 1 - الفشل في التغلب على المعيار. طلب أحد المحللين من الذكاء الاصطناعي بناء نظام SRIMA معقد لمبيعات التجزئة الشهرية. في الاختبار الخلفي، كان متوسط ​​الخطأ المطلق للنموذج أسوأ من التوقعات الموسمية الساذجة التي تقول "هذا الشهر يساوي نفس الشهر من العام الماضي". تخلى المحلل عن النموذج المعقد؛ لقد اتخذ التخمين الساذج كأساس وأضاف تصحيحًا خبيرًا. البساطة تفوز.

الحالة 2 - الانهيار الهيكلي. استخدمت إحدى المؤسسات نموذج التضخم الذي تدربت عليه بالبيانات قبل صدمة سعر الصرف لفترة ما بعد الصدمة. لقد قلل النموذج بشدة من تقدير التضخم لأنه افترض ديناميكيات فترة الهدوء الماضية. الدرس المستفاد: النموذج يفترض العالم الذي تدرب فيه؛ عندما يتغير العالم، ينهار التنبؤ. إذا نظر الاقتصادي إلى الرسم البياني، فسوف يرى الاستراحة.

الحالة 3 - صدق النطاق. وقد قدم أحد الاقتصاديين توقعاته للنمو في نهاية العام إلى الإدارة ليس كرقم واحد، ولكن على شكل "نطاق يتراوح بين 3.0 و4.2 في المائة، هذه هي الافتراضات الأساسية". وفي نهاية العام، بلغ معدل التنفيذ 3.6 في المائة؛ كان في الفرقة. ولو أنه أعطى رقمًا واحدًا، لربما تم تصنيفه على أنه "خاطئ"؛ كان النطاق والافتراضات صادقين ويحافظان على الثقة.

جدول اختيار النموذج

الحالة

البداية الصحيحة

ملاحظة

كل التخمين

معيار ساذج / موسمي ساذج

القاعدة للتغلب عليها

الاتجاه + الموسمية، مسطحة

ETS (التجانس الأسي)

سهل التثبيت والتعليق

سلسلة ذات صلة تلقائية

(س) أريما

يحتاج إلى الاستقرار

هناك متغير توضيحي

على أساس الانحدار

ويجب على المتنبئين بالمستقبل أيضا

الاشتباه في حدوث خلل هيكلي

النموذج + تصحيح الخبراء

النموذج النقي لا يكفي

أربعة قوالب قابلة للنسخ

1) التحليل والتشخيص:

قم بتخطيط تلك السلسلة الشهرية [السلسلة]، ثم قم بفصلها إلى مكونات الاتجاه/الموسمية/المتبقية (نماذج الإحصائيات). تحقق مما إذا كان ثابتًا (اختبار ADF)، وإذا لزم الأمر، اشرح التحويل (السجل، الفرق) الذي توصي به. حدد ما إذا كان هناك كسر هيكلي مرئي في الرسم البياني.

2) المقارنة المعيارية + النموذجية:

قم أولاً بإنشاء توقعات مرجعية موسمية ساذجة لهذه السلسلة. ثم قم بإعداد "خدمات الاختبارات التربوية" و"ساريما". قارن الثلاثة بناءً على MAE وRMSE مع اختبار خلفي (اختبار آخر 12 شهرًا). قم بجدولة النتائج وحدد بوضوح النموذج الذي تفوق على المعيار.

3) نطاق التقدير وعدم اليقين:

توقع الفترات الست القادمة للنموذج الذي اخترته وأعطي فترات ثقة 80%/95%. قم بتقديم التقدير كنطاق، وليس كرقم واحد. وضح أن هذا النطاق يغطي فقط عدم اليقين في النموذج، وليس خطر الكسر الهيكلي/الصدمات الخارجية.

4) قراءة الاختبار الخلفي:

تفسير نتائج الاختبار الخلفي هذه [الجدول]. هل يتفوق النموذج بالفعل على المعيار المرجعي، أم أن الفرق غير مهم من الناحية الإحصائية؟ حدد الفترات التي ارتكب فيها نموذجك أكبر عدد من الأخطاء وتساءل عن السبب الاقتصادي المحتمل لذلك (الأزمة، التغير الموسمي).

موجه ضعيف / موجه قوي

حث ضعيف:

تخمين هذه السلسلة.

يبني الذكاء الاصطناعي نموذجًا عشوائيًا، ولا يقوم باختبار رجعي، ويعطي رقمًا فرديًا؛ أنت لا تعرف ما إذا كان النموذج يعمل أم لا.

مطالبة قوية:

قم أولاً بتحليل سلسلة التضخم الشهرية الحالية وابحث عن فترات الراحة. باكتست إتس و ساريما في الأشهر ال 12 الماضية مقابل معيار موسمي ساذج، مقارنة مع ماي. اختر النموذج الذي يتفوق على المعيار، وقدم توقعات مستقبلية لمدة 6 أشهر وحدد نطاقًا بنسبة 80%. اكتب خطر الكسر الهيكلي كتحذير منفصل. إظهار الكود الخاص بكل خطوة والأرقام التلخيصية التي يمكنني التحقق منها يدويًا.

الأخطاء الشائعة

• القفز إلى نموذج معقد دون وضع معايير. التعقيد لا يساوي النجاح.
• تقييم النموذج على البيانات التي تدرب عليها. الخلط بين الامتثال المفرط والنجاح.
• إعطاء تقدير نقطة واحدة. اليقين الزائف؛ النطاق والافتراض المطلوب.
• تجاهل الكسر الهيكلي. تحمل ديناميكية الماضي بشكل أعمى إلى المستقبل.
• تخطي الاستقرار. علاقات وهمية وتوقعات مشوهة.
• تقديم التنبؤ كنبوة. إخفاء عدم اليقين والمسؤولية.

باختصار

يتم التنبؤ بالسلاسل الزمنية عن طريق فصل السلسلة إلى مكوناتها، وجعلها ثابتة، وإنشاء معيار بسيط، ومقارنة النماذج عن طريق الاختبار الخلفي، وتقديم النتيجة بأمانة مع نطاق عدم اليقين. يقوم الذكاء الاصطناعي بسرعة بإنشاء التعليمات البرمجية لجميع هذه الخطوات؛ لكن المسؤولية عن اختيار النموذج، والحكم على الاختلالات الهيكلية، والتنبؤ، تقع على عاتق الاقتصاديين. التنبؤ ليس نبوءة، بل هو توقع مشروط وغير مؤكد.

مهمة التطبيق

اختر سلسلة اقتصادية شهرية (مثلاً مؤشر الإنتاج الصناعي). قم بالفصل والمسح بحثًا عن الاختراقات باستخدام القالب الأول، وإجراء اختبار خلفي لـ ETS/SARIMA مقابل المعيار الموسمي الساذج باستخدام القالب الثاني، وإنتاج توقعات نطاق للأمام لمدة 6 أشهر باستخدام القالب الثالث. لاحظ ما إذا كان النموذج الخاص بك يتفوق فعليًا على المعيار، وقم بوضع علامة على أي فواصل هيكلية تراها.

قائمة مرجعية

• [ ] لقد رسمت المسلسل وقمت بتشخيصه من حيث الاتجاه/الموسمية/الاستراحة.
• [ ] لقد قمت بتطبيق الثبات (السجل/الفرق) إذا لزم الأمر وأعرف السبب.
• [ ] لقد قمت بإعداد معيار بسيط وقارنت النموذج المعقد به.
• [ ] قمت بتقييم النموذج فقط خلال الفترات التي لم يكن فيها في التدريب (اختبار خلفي).
• [ ] لقد قدمت التقدير بنطاق عدم اليقين، وليس برقم واحد.
• [ ] ذكرت خطر الانهيار الهيكلي/الصدمة الخارجية كتحذير منفصل.
• [ ] أكدت أن مسؤولية التنبؤ والحكم النهائي تقع على عاتقي.