zisky:
- Pochopení pojmů časových řad, jako je trend, sezónnost, cyklus a stacionarita s podporou umělé inteligence a schopnost správně analyzovat řadu
- Schopnost instalovat ARIMA, ETS a jednoduché benchmarkové modely do umělé inteligence jako kód, vytvářet předpovědi a vyhodnocovat je pomocí zpětného testování
- Být schopen porozumět křehkosti prognózy tváří v tvář rozsahu nejistoty, limitu modelu a strukturálnímu zlomu a tvrdit, že odpovědnost za prognózu zůstává na ekonomovi.
Jazykem ekonomiky je čas. Inflace, růst, nezaměstnanost, směnné kurzy – to vše jsou řady, které plynou v čase a jedna z věcí, které se ekonomové nejčastěji ptají, je „co se stane dál?“ je otázka. V této jednotce použijeme umělou inteligenci k pochopení konceptů časových řad, sestavování kódu modelu a vytváření předpovědí. Ale ujasněme si rámec hned od začátku: Prognóza není proroctví, ale podmíněná předpověď za nejistoty a odpovědnost nese ekonom. AI vám může napsat kód ARIMA během několika minut; Ale je to lidská bytost, kdo rozhodne, zda je tato předpověď rozumná, nebo ne, a zda se zhroutí tváří v tvář strukturálnímu zlomu.
Komponenty časové řady
Pomáhá myslet na jakoukoli ekonomickou sérii tím, že ji rozdělíte do čtyř částí:
- Trend (tendence). Dlouhodobý směr; jako je cesta růstu ekonomiky.
- Sezónnost. Vzor, který se pravidelně opakuje po celý rok; Turistika se zvyšuje v létě, maloobchod se zvyšuje v prosinci.
- Cyklus (konjunktura). Delší než sezóna, nepravidelné vzestupy a pády; období expanze a kontrakce.
- Nevyrovnaný/hluk. Nevysvětlitelné, náhodné kolísání.
Před odhadem řady je nutné tyto složky rozložit. Protože dívat se na syrovou sérii a říkat „to padá“ může být zavádějící: možná jste jen v sezónním korytě.
Existuje také koncept stacionarity: statistické vlastnosti (střední hodnota, rozptyl) řady se v průběhu času nemění. Většina ekonomických řad není stacionární (neustále rostoucí); Mnoho modelů vyžaduje před sestavením diferencování (odečítání jedné periody od druhé) nebo stacionarizaci pomocí logaritmů. Umělá inteligence tyto kroky doporučuje, ale když víte, proč jsou potřeba, chrání vás to.
Tip: Před předpovídáním vždy sérii vykreslete a rozložte. Zjevný strukturální zlom (např. krize nebo měnová reforma) oklame i ten nejpokročilejší model. Tabulka je nejlevnější diagnostický nástroj.
Modely: od jednoduchých po složité, ale nejprve měřítko
Zlaté pravidlo v prognózování časových řad: vždy začněte s jednoduchým benchmarkovým modelem. Nejjednodušší předpověď je „naivní předpověď“: zítra bude stejný jako dnes (nebo sezónně naivní: tento měsíc se rovná stejnému měsíci minulého roku). Pokud komplexní model nedokáže překonat tuto naivní předpověď, je složitost zbytečná.
Potom často používané metody:
- ETS / Exponenciální vyhlazování. Rodina, která zmírňuje úroveň, trend a sezónnost tím, že je zvažuje.
- POVOLÁNÍ. Klasický model kombinující autoregresivní (na základě minulých hodnot) a klouzavý průměr složky; sezónní verze SARIMA.
- Regresní/vysvětlující modely. Vysvětlení proměnné s dalšími ukazateli (např. poptávka podle příjmu a ceny).
Umělá inteligence může kódovat vše v statsmodels (knihovna Python). Vaším úkolem je vybrat a ověřit modely.
Backtest: test predikce
To nic neznamená, pokud model „sluší“ historickým datům; Dostatečně flexibilní, aby pasovaly na jakýkoli model (toto se nazývá overfitting). Skutečná otázka: jak dobře model předpovídá období, které neviděl? Chcete-li to změřit, provedete zpětné testování: rozdělíte data k datu, natrénujete model s předchozí částí, necháte předpovědět další část „jako by to byla budoucnost“ a porovnáte ji s realitou. Míry chyb (například MAE – střední absolutní chyba nebo RMSE – střední kvadratická chyba) vám umožňují porovnat model s benchmarkem.
Upozornění: Netrénujte model s daty, která jste vyhodnotili. Úspěšnost predikce měřte pouze v obdobích, která se při tréninku nepoužívají. Jinak budete klamat sami sebe; Model vypadá na papíře skvěle, ale ve skutečnosti je k ničemu.
Nejistota: rozsah, nikoli bodový odhad
Jediné číslo („inflace bude do konce roku 24 procent“) vyzařuje falešnou jistotu. Poctivý odhad zahrnuje rozsah a pravděpodobnost: "v pásmu 21-27 procent je středový scénář 24 procent". Nejistota předpovědi je vyjádřena v intervalech spolehlivosti vytvořených modelem; ale skutečná nejistota je větší, protože modelové předpoklady mohou být také chybné. Strukturální zlom (změna politiky, vnější šok) je největším rizikem, které model nevidí.
tři mini pouzdra
Případ 1 – Neschopnost překonat benchmark. Analytik nechal AI sestavit komplex SARIMA pro měsíční maloobchodní prodej. Při zpětném testu byla průměrná absolutní chyba modelu horší než sezónní naivní předpověď, která říkala, že „tento měsíc se rovná stejnému měsíci minulého roku“. Analytik opustil komplexní model; Za základ vzal naivní odhad a přidal odbornou opravu. Jednoduchost vítězí.
Případ 2 – Konstrukční porušení. Instituce použila inflační model, který natrénovala s daty před kurzovým šokem pro období po šoku. Model silně podhodnotil inflaci, protože předpokládal dynamiku minulého klidného období. Lekce: model předpokládá svět, ve kterém je trénován; Když se svět změní, předpověď se zhroutí. Pokud by se ekonom podíval na graf, viděl by zlom.
Případ 3 – Poctivost rozsahu. Ekonom předložil managementu svou prognózu růstu na konci roku nikoli jako jedno číslo, ale jako „pásmo 3,0-4,2 procenta, to jsou základní předpoklady“. Ke konci roku činila realizace 3,6 procenta; Bylo to v kapele. Kdyby dal jediné číslo, mohl by být označen jako „špatný“; rozsah a předpoklady byly čestné a udržované důvěry.
Tabulka výběru modelu
Stav
správný start
poznámka
Každý dohad
Naivní / sezónní naivní benchmark
Základ porazit
Trend + sezónnost, byt
ETS (exponenciální vyhlazování)
Snadná instalace a komentář
Autokorelované řady
(S)ARIMA
Potřebuje stabilizaci
Existuje vysvětlující proměnná
Na základě regrese
Předpovědi budoucnosti musí také
Podezření na porušení struktury
Model + odborná korekce
Čistý model nestačí
Čtyři kopírovatelné šablony
1) Analýza a diagnostika:
Vykreslete tuto měsíční řadu [řadu] a poté ji rozdělte na složky trend/sezónnost/zbytky (statsmodely). Zkontrolujte, zda je stacionární (test ADF) a případně vysvětlete, jakou transformaci (log, rozdíl) doporučujete. Označte, zda je v grafu viditelný strukturální zlom.
2) Srovnání benchmarku + modelu:
Nejprve vytvořte sezónní naivní srovnávací předpověď pro tuto řadu. Poté nastavte ETS a SARIMA. Porovnejte všechny tři na základě MAE a RMSE pomocí zpětného testu (testování za posledních 12 měsíců). Uveďte výsledky do tabulky a jasně uveďte, který model porazil benchmark.
3) Odhad a rozsah nejistot:
Předpokládejte následujících 6 období pro model, který jsem zvolil, a dejte 80%/95% intervaly spolehlivosti. Prezentujte odhad jako rozsah, nikoli jako jedno číslo. Ujasněte si, že tato řada zahrnuje POUZE nejistotu modelu, nikoli riziko poškození konstrukce/vnějšího otřesu.
4) Backtest čtení:
Interpretujte tyto výsledky zpětného testu [tabulka]. Pokoří model skutečně benchmark, nebo je rozdíl statisticky nevýznamný? Uveďte, ve kterých obdobích váš model dělal nejvíce chyb a zpochybňujte možné ekonomické důvody (krize, sezónní změny).
Slabá výzva / Silná výzva
Slabá výzva:
Hádejte tuto sérii.
Umělá inteligence sestaví náhodný model, neprovádí zpětné testování, dává liché číslo; Nevíte, zda model funguje nebo ne.
Výkonná výzva:
Nejprve rozložte aktuální měsíční inflační řadu a vyhledejte přestávky. Backtest ETS a SARIMA za posledních 12 měsíců oproti sezónnímu naivnímu benchmarku, ve srovnání s MAE. Vyberte model, který překonává benchmark, poskytněte předpovědi na 6 měsíců a nastavte rozsah 80 %. Pište riziko poškození konstrukce jako samostatné varování. Zobrazit kód pro každý krok a souhrnná čísla, která mohu ověřit ručně.
Časté chyby
- Skok do složitého modelu bez nastavování benchmarků. Složitost se nerovná úspěchu.
- Vyhodnocení modelu na datech, na kterých se trénoval. Zaměňování nadměrného dodržování za úspěch.
- Dát jednobodový odhad. Falešná jistota; požadovaný rozsah a předpoklad.
- Ignorování strukturálního zlomu. Slepé přenášení minulé dynamiky do budoucnosti.
- Přeskakování stabilizace. Falešné vztahy a zkreslené předpovědi.
- Prezentace předpovědi jako proroctví. Skrývání nejistoty a odpovědnosti.
V souhrnu
Prognóza časových řad se provádí tak, že se série rozdělí na její složky, učiní se stacionární, stanoví se jednoduchý benchmark, porovná se modely pomocí zpětného testování a výsledek se poctivě prezentuje s rozsahem nejistoty. Umělá inteligence rychle vygeneruje kód pro všechny tyto kroky; Odpovědnost za výběr modelu, posouzení strukturálních zlomů a prognózování však leží na ekonomovi. Předpověď není proroctví, ale podmíněná a nejistá předpověď.
Aplikační úkol
Vyberte měsíční ekonomickou řadu (např. index průmyslové produkce). Oddělte a vyhledejte úniky pomocí 1. šablony, zpětně otestujte ETS/SARIMA proti sezónnímu naivnímu benchmarku pomocí 2. šablony, vytvořte 6měsíční prognózu dopředného rozsahu pomocí 3. šablony. Všimněte si, zda váš model skutečně překonává benchmark, a označte všechny strukturální zlomy, které vidíte.
kontrolní seznam
- [ ] Sérii jsem nakreslil a diagnostikoval z hlediska trendu/sezónnosti/zlomu.
- [ ] V případě potřeby jsem použil stacionarizaci (log/rozdíl) a znám důvod.
- [ ] Nastavil jsem jednoduchý benchmark a porovnal s ním složitý model.
- [ ] Model jsem hodnotil pouze v obdobích, kdy nebyl v tréninku (backtest).
- [ ] Odhad jsem uvedl s rozsahem nejistoty, nikoli s jedním číslem.
- [ ] Jako samostatné varování jsem zmínil riziko poškození konstrukce/externího šoku.
- [ ] Tvrdil jsem, že odpovědnost za předpověď a konečný úsudek leží na mně.