লাভ:
- কৃত্রিম বুদ্ধিমত্তার সহায়তায় প্রবণতা, মৌসুমীতা, চক্র এবং স্থিরতার মতো সময় সিরিজের ধারণাগুলি বোঝা এবং একটি সিরিজকে সঠিকভাবে পার্স করতে সক্ষম হওয়া
- কোড হিসাবে কৃত্রিম বুদ্ধিমত্তায় ARIMA, ETS এবং সাধারণ বেঞ্চমার্ক মডেলগুলি ইনস্টল করার ক্ষমতা, ভবিষ্যদ্বাণী তৈরি করা এবং ব্যাকটেস্টিংয়ের মাধ্যমে তাদের মূল্যায়ন করা
- অনিশ্চয়তার পরিসর, মডেল সীমা এবং কাঠামোগত বিরতির মুখে পূর্বাভাসের ভঙ্গুরতা বুঝতে সক্ষম হওয়া এবং পূর্বাভাসের দায়িত্ব অর্থনীতিবিদদের উপর রয়ে গেছে তা বজায় রাখা।
অর্থনীতির ভাষা হল সময়। মুদ্রাস্ফীতি, প্রবৃদ্ধি, বেকারত্ব, বিনিময় হার - এগুলি সবই ধারাবাহিক যা সময়ের সাথে প্রবাহিত হয় এবং অর্থনীতিবিদকে প্রায়শই জিজ্ঞাসা করা হয় "তাহলে এরপর কী হবে?" প্রশ্ন হল। এই ইউনিটে, আমরা টাইম সিরিজ ধারণা বুঝতে, মডেল কোড তৈরি করতে এবং পূর্বাভাস তৈরি করতে কৃত্রিম বুদ্ধিমত্তা ব্যবহার করব। তবে আসুন প্রথম থেকেই কাঠামোটি পরিষ্কার করা যাক: একটি পূর্বাভাস একটি ভবিষ্যদ্বাণী নয়, তবে অনিশ্চয়তার অধীনে একটি শর্তসাপেক্ষ ভবিষ্যদ্বাণী এবং দায়িত্বটি অর্থনীতিবিদদের উপর বর্তায়। AI আপনাকে কয়েক মিনিটের মধ্যে ARIMA কোড লিখতে পারে; কিন্তু সেই ভবিষ্যদ্বাণীটি যুক্তিসঙ্গত কিনা এবং কাঠামোগত বিচ্ছেদের মুখে এটি ভেঙে পড়বে কিনা তা মানুষই সিদ্ধান্ত নেয়।
একটি টাইম সিরিজের উপাদান
এটি চারটি অংশে বিভক্ত করে যেকোনো অর্থনৈতিক সিরিজ সম্পর্কে চিন্তা করতে সাহায্য করে:
- প্রবণতা (প্রবণতা)। দীর্ঘমেয়াদী দিকনির্দেশ; যেমন অর্থনীতির বৃদ্ধির পথ।
- ঋতুত্ব। প্যাটার্ন যা সারা বছর নিয়মিত পুনরাবৃত্তি হয়; গ্রীষ্মে পর্যটন বাড়ে, ডিসেম্বরে খুচরা বাড়ে।
- চক্র (সংযোজন)। ঋতুর চেয়ে দীর্ঘ, অনিয়মিত উত্থান-পতন; সম্প্রসারণ এবং সংকোচনের সময়কাল।
- অনিয়মিত/গোলমাল। ব্যাখ্যাতীত, এলোমেলো ওঠানামা।
একটি সিরিজ অনুমান করার আগে, এই উপাদানগুলিকে পচন করা প্রয়োজন। কারণ কাঁচা সিরিজের দিকে তাকানো এবং "এটি পড়ে যাচ্ছে" বলা বিভ্রান্তিকর হতে পারে: হয়তো আপনি কেবল একটি মৌসুমী খাদে আছেন।
স্থিরতার ধারণাও রয়েছে: একটি সিরিজের পরিসংখ্যানগত বৈশিষ্ট্য (গড়, বৈচিত্র) সময়ের সাথে পরিবর্তিত হয় না। বেশিরভাগ অর্থনৈতিক সিরিজ স্থির নয় (প্রতিনিয়ত ক্রমবর্ধমান); অনেক মডেলের বিল্ডিংয়ের আগে লগারিদমের সাথে পার্থক্য (একটি পিরিয়ড থেকে অন্য একটি বিয়োগ) বা স্থিরকরণ প্রয়োজন। AI এই পদক্ষেপগুলি সুপারিশ করে, কিন্তু কেন সেগুলি প্রয়োজন তা জানা আপনাকে রক্ষা করে৷
টিপ: ভবিষ্যদ্বাণী করার আগে সর্বদা প্লট এবং সিরিজ পচন. একটি আপাত কাঠামোগত বিরতি (যেমন একটি সংকট বা মুদ্রা সংস্কার) এমনকি সবচেয়ে উন্নত মডেলকে বোকা বানিয়ে দেবে। চার্ট হল সবচেয়ে সস্তা ডায়াগনস্টিক টুল।
মডেল: সহজ থেকে জটিল, কিন্তু প্রথমে বেঞ্চমার্ক
সময় সিরিজের পূর্বাভাসের সুবর্ণ নিয়ম: সর্বদা একটি সাধারণ বেঞ্চমার্ক মডেল দিয়ে শুরু করুন। সবচেয়ে সহজ পূর্বাভাস হল "নিষ্পাপ পূর্বাভাস": আগামীকাল আজকের সমান হবে (বা মৌসুমী নিষ্পাপ: এই মাসটি গত বছরের একই মাসের সমান)। যদি একটি জটিল মডেল এই নিষ্পাপ ভবিষ্যদ্বাণীকে হারাতে না পারে তবে জটিলতা নিরর্থক।
তারপরে প্রায়শই ব্যবহৃত পদ্ধতি:
- ইটিএস / এক্সপোনেনশিয়াল স্মুথিং। একটি পরিবার যা স্তর, প্রবণতা এবং ঋতুকে ওজন করে নরম করে।
- কলিং অটোরিগ্রেসিভ (অতীত মানগুলির উপর ভিত্তি করে) এবং চলমান গড় উপাদানগুলির সমন্বয়ে শাস্ত্রীয় মডেল; মৌসুমী সংস্করণ সারিমা।
- রিগ্রেশন-ভিত্তিক/ব্যাখ্যামূলক মডেল। অন্যান্য সূচকের সাথে একটি পরিবর্তনশীল ব্যাখ্যা করা (যেমন আয় এবং মূল্য দ্বারা চাহিদা)।
এআই এই সবগুলিকে স্ট্যাটস মডেলে (পাইথন লাইব্রেরি) কোড করতে পারে। আপনার কাজ হল মডেল নির্বাচন এবং যাচাই করা।
ব্যাকটেস্ট: ভবিষ্যদ্বাণীর পরীক্ষা
ঐতিহাসিক তথ্যের সাথে একটি মডেল "চমৎকারভাবে ফিট" করলে এর কোনো মানে হয় না; যেকোন মডেলের জন্য যথেষ্ট নমনীয় (এটিকে ওভারফিটিং বলা হয়)। আসল প্রশ্ন: মডেলটি কতটা ভাল সময়কালের ভবিষ্যদ্বাণী করে যা দেখেনি? এটি পরিমাপ করার জন্য, আপনি ব্যাকটেস্টিং করেন: আপনি একটি তারিখে ডেটা বিভক্ত করেন, মডেলটিকে পূর্ববর্তী অংশের সাথে প্রশিক্ষণ দেন, এটি পরবর্তী অংশের ভবিষ্যদ্বাণী করে "যেন এটি ভবিষ্যতের" এবং এটি বাস্তবতার সাথে তুলনা করুন। ত্রুটির পরিমাপ (উদাহরণস্বরূপ, MAE — মানে পরম ত্রুটি, বা RMSE — রুট মানে বর্গাকার ত্রুটি) আপনাকে মডেলটিকে বেঞ্চমার্কের সাথে তুলনা করতে দেয়৷
সতর্কতা: আপনার মূল্যায়ন করা ডেটা দিয়ে মডেলটিকে প্রশিক্ষণ দেবেন না। ভবিষ্যদ্বাণী সাফল্য পরিমাপ শুধুমাত্র সময়কাল প্রশিক্ষণে ব্যবহৃত হয় না. অন্যথায় আপনি নিজেকে প্রতারিত করবেন; মডেল কাগজে মহান আউট সক্রিয় কিন্তু বাস্তবে অকেজো.
অনিশ্চয়তা: পরিসীমা, বিন্দু অনুমান নয়
একটি একক সংখ্যা ("বছরের শেষ নাগাদ মুদ্রাস্ফীতি 24 শতাংশ হবে") মিথ্যা নিশ্চিততা প্রকাশ করে। সৎ অনুমান একটি পরিসীমা এবং সম্ভাব্যতা অন্তর্ভুক্ত করে: "21-27 শতাংশ ব্যান্ডে, কেন্দ্রের দৃশ্যপট 24 শতাংশ"। পূর্বাভাসের অনিশ্চয়তা মডেল দ্বারা উত্পাদিত আত্মবিশ্বাসের ব্যবধানে প্রকাশ করা হয়; কিন্তু প্রকৃত অনিশ্চয়তা এর চেয়েও বেশি, কারণ মডেল অনুমানও ভুল হতে পারে। কাঠামোগত বিরতি (নীতি পরিবর্তন, বাহ্যিক শক) সবচেয়ে বড় ঝুঁকি যা মডেলটি দেখতে পারে না।
তিনটি মিনি কেস
কেস 1 - বেঞ্চমার্ক হারাতে ব্যর্থ। একজন বিশ্লেষক এআইকে মাসিক খুচরা বিক্রয়ের জন্য একটি জটিল SARIMA তৈরি করেছিলেন। ব্যাকটেস্টে, মডেলের গড় নিখুঁত ত্রুটি ঋতুগত নিরীহ পূর্বাভাসের চেয়ে খারাপ ছিল যা বলেছিল "এই মাসটি গত বছরের একই মাসের সমান।" বিশ্লেষক জটিল মডেল পরিত্যাগ করেছেন; তিনি একটি ভিত্তি হিসাবে নিষ্পাপ অনুমান গ্রহণ এবং একটি বিশেষজ্ঞ সংশোধন যোগ. সরলতার জয়।
কেস 2 — কাঠামোগত বিরতি। একটি প্রতিষ্ঠান ধাক্কা-পরবর্তী সময়ের জন্য বিনিময় হার শক হওয়ার আগে ডেটা সহ প্রশিক্ষিত মুদ্রাস্ফীতি মডেল ব্যবহার করে। মডেলটি মূল্যস্ফীতিকে মারাত্মকভাবে অবমূল্যায়ন করেছে কারণ এটি অতীতের শান্ত সময়ের গতিশীলতাকে ধরে নিয়েছে। পাঠ: মডেলটি সেই বিশ্বকে ধরে নেয় যেখানে এটি প্রশিক্ষিত হয়; যখন পৃথিবী বদলে যায়, ভবিষ্যদ্বাণী ভেঙ্গে যায়। অর্থনীতিবিদ যদি গ্রাফের দিকে তাকান তবে তিনি বিরতি দেখতে পাবেন।
কেস 3 - পরিসরের সততা। একজন অর্থনীতিবিদ তার বছরের শেষের বৃদ্ধির পূর্বাভাসটি ব্যবস্থাপনার কাছে একটি একক চিত্র হিসাবে উপস্থাপন করেননি, কিন্তু "3.0-4.2 শতাংশ ব্যান্ড হিসাবে, এইগুলি অন্তর্নিহিত অনুমান।" বছর শেষে আদায় ছিল ৩ দশমিক ৬ শতাংশ; এটা ব্যান্ড ছিল. যদি তিনি একটি নম্বর দিতেন, তবে তাকে "ভুল" হিসাবে চিহ্নিত করা যেতে পারে; পরিসীমা এবং অনুমান উভয়ই সৎ এবং বজায় রাখা বিশ্বাস ছিল।
মডেল নির্বাচন টেবিল
স্ট্যাটাস
সঠিক শুরু
নোট
প্রতিটি অনুমান কাজ
সাদাসিধে / মৌসুমী সাদামাটা বেঞ্চমার্ক
বেস মারতে হবে
প্রবণতা + ঋতু, সমতল
ইটিএস (এক্সপোনেনশিয়াল স্মুথিং)
ইনস্টল এবং মন্তব্য করা সহজ
স্বয়ংক্রিয় সম্পর্কযুক্ত সিরিজ
(এস)আরিমা
স্থিতিশীলতা প্রয়োজন
একটি ব্যাখ্যামূলক পরিবর্তনশীল আছে
রিগ্রেশন ভিত্তিক
ভবিষ্যতের ভবিষ্যদ্বাণীকারীদেরও থাকতে হবে
স্ট্রাকচারাল ব্রেক সন্দেহ
মডেল + বিশেষজ্ঞ সংশোধন
বিশুদ্ধ মডেল যথেষ্ট নয়
চারটি অনুলিপিযোগ্য টেমপ্লেট
1) পার্সিং এবং রোগ নির্ণয়:
সেই মাসিক সিরিজ [সিরিজ] প্লট করুন, তারপর এটিকে প্রবণতা/মৌসুমি/অবশিষ্ট উপাদানে (পরিসংখ্যান মডেল) আলাদা করুন। এটি স্থির কিনা তা পরীক্ষা করে দেখুন (ADF পরীক্ষা) এবং প্রয়োজনে আপনি কোন রূপান্তর (লগ, পার্থক্য) সুপারিশ করেন তা ব্যাখ্যা করুন। চার্টে দৃশ্যমান কাঠামোগত বিরতি আছে কিনা চিহ্নিত করুন।
2) বেঞ্চমার্ক + মডেল তুলনা:
প্রথমে এই সিরিজের জন্য একটি ঋতু নিরীহ বেঞ্চমার্ক পূর্বাভাস স্থাপন করুন। তারপর একটি ইটিএস এবং একটি সারিমা সেট আপ করুন। MAE এবং RMSE-এর উপর ভিত্তি করে তিনটিরই তুলনা করুন ব্যাকটেস্টের সাথে (গত 12 মাসের পরীক্ষা)। ফলাফলগুলি সারণী করুন এবং স্পষ্টভাবে বলুন যে কোন মডেল বেঞ্চমার্ককে পরাজিত করেছে।
3) অনুমান এবং অনিশ্চয়তা পরিসীমা:
আমি যে মডেলটি বেছে নিয়েছি তার জন্য পরবর্তী 6 সময়কালের পূর্বাভাস দিন এবং 80%/95% আত্মবিশ্বাসের ব্যবধান দিন। অনুমানটিকে একটি পরিসর হিসাবে উপস্থাপন করুন, একক সংখ্যা হিসাবে নয়। এটা পরিষ্কার করুন যে এই পরিসরটি শুধুমাত্র মডেলের অনিশ্চয়তাকে কভার করে, কাঠামোগত ভাঙ্গন/বাহ্যিক শকের ঝুঁকি নয়।
4) ব্যাকটেস্ট পড়া:
এই ব্যাকটেস্ট ফলাফলগুলি ব্যাখ্যা করুন [টেবিল]। মডেলটি কি আসলে বেঞ্চমার্ককে হারায়, নাকি পার্থক্যটি পরিসংখ্যানগতভাবে নগণ্য? কোন সময়কালে আপনার মডেল সবচেয়ে বেশি ভুল করেছে এবং এর সম্ভাব্য অর্থনৈতিক কারণ নিয়ে প্রশ্ন করুন (সঙ্কট, ঋতু পরিবর্তন)।
দুর্বল প্রম্পট / শক্তিশালী প্রম্পট
দুর্বল প্রম্পট:
এই সিরিজ অনুমান.
কৃত্রিম বুদ্ধিমত্তা একটি এলোমেলো মডেল তৈরি করে, ব্যাকটেস্ট করে না, একটি বিজোড় সংখ্যা দেয়; আপনি জানেন না মডেলটি কাজ করে কিনা।
শক্তিশালী প্রম্পট:
প্রথমে বর্তমান মাসিক মুদ্রাস্ফীতি সিরিজ পচন এবং বিরতির জন্য স্ক্যান করুন। MAE-এর সাথে তুলনা করুন একটি মৌসুমী নিরীহ বেঞ্চমার্কের বিপরীতে গত 12 মাসে ব্যাকটেস্ট ETS এবং SARIMA। বেঞ্চমার্ককে ছাড়িয়ে যায় এমন মডেলটি বেছে নিন, 6 মাসের অগ্রগতির পূর্বাভাস দিন এবং 80% পরিসর রাখুন। একটি পৃথক সতর্কতা হিসাবে কাঠামোগত ভাঙ্গনের ঝুঁকি লিখুন। প্রতিটি ধাপ এবং সারাংশ সংখ্যার জন্য কোড দেখান যা আমি ম্যানুয়ালি যাচাই করতে পারি।
সাধারণ ভুল
- বেঞ্চমার্ক সেট আপ না করেই জটিল মডেলে ঝাঁপ দেওয়া। জটিলতা সমান সাফল্য নয়।
- এটি যে ডেটাতে প্রশিক্ষিত হয়েছে তার উপর মডেলটির মূল্যায়ন করা। সাফল্যের জন্য অতিরিক্ত সম্মতি ভুল করা।
- একটি একক পয়েন্ট অনুমান প্রদান. মিথ্যা নিশ্চিততা; পরিসীমা এবং অনুমান প্রয়োজন।
- কাঠামোগত বিরতি উপেক্ষা করা। অন্ধভাবে অতীত গতিশীল ভবিষ্যতে বহন.
- স্থিরকরণ এড়িয়ে যাওয়া। জাল সম্পর্ক এবং বিকৃত ভবিষ্যদ্বাণী।
- ভবিষ্যদ্বাণীটিকে ভবিষ্যদ্বাণী হিসাবে উপস্থাপন করা। অনিশ্চয়তা এবং দায়িত্ব লুকিয়ে রাখা।
সংক্ষেপে
টাইম সিরিজের পূর্বাভাস একটি সিরিজকে এর উপাদানগুলিতে আলাদা করে, এটিকে স্থির করে, একটি সাধারণ বেঞ্চমার্ক স্থাপন করে, ব্যাকটেস্টিং দ্বারা মডেলগুলির তুলনা করে এবং অনিশ্চয়তার পরিসরের সাথে সততার সাথে ফলাফল উপস্থাপন করে করা হয়। কৃত্রিম বুদ্ধিমত্তা দ্রুত এই সমস্ত পদক্ষেপের জন্য কোড তৈরি করে; কিন্তু মডেল নির্বাচন, স্ট্রাকচারাল ব্রেক জাজমেন্ট এবং পূর্বাভাস দেওয়ার দায়িত্ব অর্থনীতিবিদদের। একটি ভবিষ্যদ্বাণী একটি ভবিষ্যদ্বাণী নয়, তবে একটি শর্তসাপেক্ষ এবং অনিশ্চিত ভবিষ্যদ্বাণী।
আবেদন টাস্ক
একটি মাসিক অর্থনৈতিক সিরিজ বেছে নিন (যেমন শিল্প উৎপাদন সূচক)। 1ম টেমপ্লেটের সাথে আলাদা করুন এবং ব্রেকআউটের জন্য স্ক্যান করুন, 2য় টেমপ্লেটের সাথে মৌসুমী ন্যাভ বেঞ্চমার্কের বিপরীতে ব্যাকটেস্ট ETS/SARIMA, 3য় টেমপ্লেটের সাথে একটি 6-মাসের ফরোয়ার্ড রেঞ্জের পূর্বাভাস তৈরি করুন। আপনার মডেলটি আসলেই বেঞ্চমার্ককে ছাড়িয়ে যায় কিনা তা লক্ষ্য করুন এবং আপনি যে কোনও কাঠামোগত বিরতি দেখতে পান কিনা তা চিহ্নিত করুন।
চেকলিস্ট
- [] আমি সিরিজটি প্লট করেছি এবং প্রবণতা/মৌসুমি/ব্রেক এর পরিপ্রেক্ষিতে এটি নির্ণয় করেছি।
- প্রয়োজনে আমি স্টেশনারাইজেশন (লগ/পার্থক্য) প্রয়োগ করেছি এবং আমি কারণটি জানি।
- আমি একটি সাধারণ বেঞ্চমার্ক সেট আপ করেছি এবং এর বিপরীতে জটিল মডেলের তুলনা করেছি।
- [ ] আমি মডেলটিকে শুধুমাত্র সেই সময়কালে মূল্যায়ন করেছি যখন এটি প্রশিক্ষণে ছিল না (ব্যাকটেস্ট)।
- [ ] আমি অনুমানটি একটি অনিশ্চয়তার পরিসরে উপস্থাপন করেছি, একটি সংখ্যা নয়।
- [] আমি একটি পৃথক সতর্কতা হিসাবে কাঠামোগত বিরতি/বাহ্যিক শক ঝুঁকি উল্লেখ করেছি।
- [ ] আমি বজায় রেখেছিলাম যে ভবিষ্যদ্বাণী এবং চূড়ান্ত বিচারের দায়িত্ব আমার উপর।