Zeitreihenanalyse und Prognoseunterstützung

Gewinne:

• Zeitreihenkonzepte wie Trend, Saisonalität, Zyklus und Stationarität mit Unterstützung künstlicher Intelligenz verstehen und eine Reihe korrekt analysieren können
• Fähigkeit, ARIMA, ETS und einfache Benchmark-Modelle als Code in künstliche Intelligenz zu integrieren, Vorhersagen zu erstellen und diese mit Backtesting auszuwerten
• In der Lage sein, die Fragilität der Prognose angesichts der Unsicherheitsspanne, der Modellgrenzen und des Strukturbruchs zu verstehen und zu behaupten, dass die Verantwortung für die Prognose beim Ökonomen verbleibt.

Die Sprache der Ökonomie ist Zeit. Inflation, Wachstum, Arbeitslosigkeit, Wechselkurse – das sind alles Zeitreihen, und eine der Fragen, die der Ökonom am häufigsten stellt, ist: „Was passiert als nächstes?“ ist die Frage. In dieser Einheit nutzen wir künstliche Intelligenz, um Zeitreihenkonzepte zu verstehen, Modellcode zu erstellen und Prognosen zu erstellen. Aber lassen Sie uns gleich zu Beginn den Rahmen klären: Eine Prognose ist keine Prophezeiung, sondern eine bedingte Vorhersage unter Unsicherheit, und die Verantwortung liegt beim Ökonomen. KI kann Ihnen ARIMA-Code in wenigen Minuten schreiben; Aber es ist der Mensch, der darüber entscheidet, ob diese Vorhersage berechtigt ist oder nicht und ob sie angesichts eines Strukturbruchs zusammenbrechen wird.

Komponenten einer Zeitreihe

Es ist hilfreich, sich eine Wirtschaftsreihe vorzustellen, indem man sie in vier Teile unterteilt:

• Trend (Tendenz). Langfristige Ausrichtung; wie zum Beispiel der Wachstumspfad der Wirtschaft.
• Saisonalität. Muster, das sich das ganze Jahr über regelmäßig wiederholt; Der Tourismus nimmt im Sommer zu, der Einzelhandel im Dezember.
• Zyklus (Konjunktur). Länger als die Saison, unregelmäßiges Auf und Ab; Perioden der Expansion und Kontraktion.
• Unregelmäßig/Lärm. Unerklärliche, zufällige Fluktuation.

Vor der Schätzung einer Reihe ist es notwendig, diese Komponenten zu zerlegen. Denn wenn man sich die Rohserie anschaut und sagt: „Es fällt“, kann das irreführend sein: Vielleicht befinden Sie sich einfach nur in einer saisonalen Talsohle.

Es gibt auch das Konzept der Stationarität: Die statistischen Eigenschaften (Mittelwert, Varianz) einer Reihe ändern sich im Laufe der Zeit nicht. Die meisten Wirtschaftsreihen sind nicht stationär (ständig wachsend); Viele Modelle erfordern vor der Erstellung eine Differenzierung (Subtraktion einer Periode von einer anderen) oder eine Stationarisierung mit Logarithmen. KI empfiehlt diese Schritte, aber zu wissen, warum sie notwendig sind, schützt Sie.

Tipp: Zeichnen und zerlegen Sie die Reihe immer, bevor Sie eine Vorhersage treffen. Ein scheinbarer Strukturbruch (z. B. eine Krise oder eine Währungsreform) wird selbst das fortschrittlichste Modell täuschen. Das Diagramm ist das günstigste Diagnosetool.

Modelle: von einfach bis komplex, aber zuerst der Maßstab

Die goldene Regel bei der Zeitreihenprognose: Beginnen Sie immer mit einem einfachen Benchmark-Modell. Die einfachste Prognose ist die „naive Prognose“: Morgen wird gleich sein wie heute (oder saisonal naiv: dieser Monat entspricht dem gleichen Monat im letzten Jahr). Wenn ein komplexes Modell diese naive Vorhersage nicht übertreffen kann, ist Komplexität zwecklos.

Dann häufig verwendete Methoden:

• ETS / Exponentielle Glättung. Eine Familie, die Niveau, Trend und Saisonalität durch Gewichtung abmildert.
• BERUFUNG. Das klassische Modell, das autoregressive (auf vergangenen Werten basierende) und gleitende Durchschnittskomponenten kombiniert; Saisonversion SARIMA.
• Regressionsbasierte/erklärende Modelle. Erklären einer Variablen mit anderen Indikatoren (z. B. Nachfrage nach Einkommen und Preis).

AI kann all dies in Statistikmodellen (Python-Bibliothek) codieren. Ihre Aufgabe ist es, Modelle auszuwählen und zu validieren.

Backtest: Vorhersagetest

Es bedeutet nichts, wenn ein Modell „gut zu historischen Daten passt“. Flexibel genug, um zu jedem Modell zu passen (dies wird als Überanpassung bezeichnet). Die eigentliche Frage lautet: Wie gut sagt das Modell Zeiträume voraus, die es nicht gesehen hat? Um dies zu messen, führen Sie Backtesting durch: Sie teilen die Daten zu einem Datum auf, trainieren das Modell mit dem vorherigen Teil, lassen es den nächsten Teil vorhersagen, „als ob es die Zukunft wäre“, und vergleichen ihn mit der Realität. Fehlermaße (z. B. MAE – mittlerer absoluter Fehler oder RMSE – mittlerer quadratischer Fehler) ermöglichen Ihnen den Vergleich des Modells mit der Benchmark.

Achtung: Trainieren Sie das Modell nicht mit den von Ihnen ausgewerteten Daten. Messen Sie den Vorhersageerfolg nur in Zeiträumen, die nicht im Training verwendet werden. Sonst betrügst du dich selbst; Auf dem Papier sieht das Modell großartig aus, in der Realität ist es jedoch nutzlos.

Unsicherheit: Bereich, keine Punktschätzung

Eine einzelne Zahl („Die Inflation wird bis zum Jahresende 24 Prozent betragen“) strahlt falsche Gewissheit aus. Die ehrliche Schätzung umfasst einen Bereich und eine Wahrscheinlichkeit: „Im Bereich von 21 bis 27 Prozent liegt das mittlere Szenario bei 24 Prozent.“ Die Prognoseunsicherheit wird in den vom Modell erzeugten Konfidenzintervallen ausgedrückt; Die tatsächliche Unsicherheit ist jedoch größer, da auch Modellannahmen falsch sein können. Strukturbrüche (Politikwechsel, externer Schock) sind das größte Risiko, das das Modell nicht erkennen kann.

drei Mini-Koffer

Fall 1 – Die Benchmark wird nicht übertroffen. Ein Analyst ließ die KI ein komplexes SARIMA für monatliche Einzelhandelsumsätze erstellen. Im Backtest war der durchschnittliche absolute Fehler des Modells schlimmer als die saisonale naive Prognose, die besagte: „Dieser Monat entspricht dem gleichen Monat im letzten Jahr.“ Der Analytiker gab das komplexe Modell auf; Er nahm die naive Vermutung als Grundlage und fügte eine Expertenkorrektur hinzu. Einfachheit gewinnt.

Fall 2 – Strukturbruch. Ein Institut nutzte das Inflationsmodell, das es mit Daten vor dem Wechselkursschock trainiert hatte, für die Zeit nach dem Schock. Das Modell hat die Inflation stark unterschätzt, weil es die Dynamik der vergangenen Ruhephase angenommen hat. Lektion: Das Modell geht von der Welt aus, in der es trainiert wird. Wenn sich die Welt verändert, bricht die Vorhersage zusammen. Wenn der Ökonom die Grafik betrachten würde, würde er den Bruch sehen.

Fall 3 – Ehrlichkeit des Bereichs. Ein Ökonom präsentierte dem Management seine Wachstumsprognose zum Jahresende nicht als einzelne Zahl, sondern als „Bandbreite von 3,0 bis 4,2 Prozent, das sind die zugrunde liegenden Annahmen.“ Zum Jahresende lag die Realisierungsquote bei 3,6 Prozent; Es lag an der Band. Hätte er nur eine einzige Zahl angegeben, hätte man ihn möglicherweise als „falsch“ bezeichnen können; Reichweite und Annahmen waren sowohl ehrlich als auch aufrechterhaltenes Vertrauen.

Modellauswahltabelle

Status

richtiger Anfang

Hinweis

Jede Vermutung

Naiver / saisonal naiver Benchmark

Die Basis, die es zu schlagen gilt

Trend + Saisonalität, flach

ETS (exponentielle Glättung)

Einfach zu installieren und zu kommentieren

Autokorrelierte Reihe

(S)ARIMA

Braucht Stabilisierung

Es gibt eine erklärende Variable

Regressionsbasiert

Prädiktoren für die Zukunft müssen es auch tun

Verdacht auf Strukturbruch

Modell + Expertenkorrektur

Ein reines Modell reicht nicht aus

Vier kopierbare Vorlagen

1) Analyse und Diagnose:

Stellen Sie diese monatliche Reihe [Reihe] grafisch dar und unterteilen Sie sie dann in Trend-/Saisonalitäts-/Restkomponenten (Statistikmodelle). Prüfen Sie, ob es stationär ist (ADF-Test) und erläutern Sie ggf. welche Transformation (Log, Differenz) Sie empfehlen. Markieren Sie, ob im Diagramm ein sichtbarer Strukturbruch vorliegt.

2) Benchmark + Modellvergleich:

Erstellen Sie zunächst eine saisonale, naive Benchmark-Prognose für diese Serie. Dann richten Sie ein ETS und ein SARIMA ein. Vergleichen Sie alle drei basierend auf MAE und RMSE mit einem Backtest (Testen der letzten 12 Monate). Fassen Sie die Ergebnisse tabellarisch zusammen und geben Sie klar an, welches Modell die Benchmark übertrifft.

3) Schätzwert und Unsicherheitsbereich:

Prognostizieren Sie die nächsten 6 Zeiträume für das von mir gewählte Modell und geben Sie 80 %/95 %-Konfidenzintervalle an. Präsentieren Sie die Schätzung als Bereich und nicht als einzelne Zahl. Machen Sie deutlich, dass dieser Bereich NUR die Modellunsicherheit abdeckt, nicht das Risiko eines Strukturbruchs/externen Schocks.

4) Backtest-Lesung:

Interpretieren Sie diese Backtest-Ergebnisse [Tabelle]. Übertrifft das Modell tatsächlich die Benchmark oder ist der Unterschied statistisch unbedeutend? Geben Sie an, in welchen Zeiträumen Ihr Modell die meisten Fehler gemacht hat und hinterfragen Sie den möglichen wirtschaftlichen Grund dafür (Krise, Saisonwechsel).

Schwache Eingabeaufforderung / Starke Eingabeaufforderung

Schwache Eingabeaufforderung:

Erraten Sie diese Serie.

Künstliche Intelligenz erstellt ein Zufallsmodell, führt keinen Backtest durch und liefert eine ungerade Zahl; Sie wissen nicht, ob das Modell funktioniert oder nicht.

Kraftvolle Aufforderung:

Zerlegen Sie zunächst die aktuelle monatliche Inflationsreihe und suchen Sie nach Brüchen. Testen Sie ETS und SARIMA in den letzten 12 Monaten mit einer saisonalen, naiven Benchmark und vergleichen Sie sie mit MAE. Wählen Sie das Modell, das die Benchmark übertrifft, geben Sie eine 6-monatige Prognose ab und geben Sie eine Spanne von 80 % an. Schreiben Sie die Gefahr eines Baubruchs als gesonderten Warnhinweis. Zeigen Sie den Code für jeden Schritt und die zusammenfassenden Zahlen an, die ich manuell überprüfen kann.

Häufige Fehler

• Einstieg in komplexe Modelle, ohne Benchmarks festzulegen. Komplexität ist nicht gleichbedeutend mit Erfolg.
• Bewertung des Modells anhand der Daten, auf denen es trainiert hat. Übermäßige Compliance mit Erfolg verwechseln.
• Geben Sie eine Einzelpunktschätzung ab. Falsche Gewissheit; Bereich und Annahme erforderlich.
• Den Strukturbruch ignorieren. Die vergangene Dynamik blind in die Zukunft tragen.
• Stabilisierung überspringen. Falsche Beziehungen und verzerrte Vorhersagen.
• Die Vorhersage als Prophezeiung darstellen. Unsicherheit und Verantwortung verbergen.

Zusammenfassend

Die Vorhersage von Zeitreihen erfolgt, indem eine Reihe in ihre Komponenten zerlegt, stationär gemacht, ein einfacher Benchmark erstellt, die Modelle durch Backtesting verglichen und das Ergebnis ehrlich mit dem Unsicherheitsbereich dargestellt wird. Künstliche Intelligenz generiert schnell den Code für alle diese Schritte; Die Verantwortung für die Modellauswahl, die Beurteilung von Strukturbrüchen und die Prognose liegt jedoch beim Ökonomen. Eine Vorhersage ist keine Prophezeiung, sondern eine bedingte und unsichere Vorhersage.

Anwendungsaufgabe

Wählen Sie eine monatliche Wirtschaftsreihe (z. B. Industrieproduktionsindex). Trennen und suchen Sie mit der ersten Vorlage nach Ausbrüchen, testen Sie ETS/SARIMA mit der saisonalen naiven Benchmark mit der zweiten Vorlage und erstellen Sie mit der dritten Vorlage eine 6-monatige Forward-Range-Prognose. Beachten Sie, ob Ihr Modell tatsächlich die Benchmark übertrifft, und markieren Sie alle strukturellen Brüche, die Sie sehen.

Checkliste

• [ ] Ich habe die Serie aufgezeichnet und sie im Hinblick auf Trend/Saisonalität/Bruch diagnostiziert.
• [ ] Ich habe bei Bedarf Stationarisierung (Log/Differenz) angewendet und kenne den Grund.
• [ ] Ich habe einen einfachen Benchmark erstellt und das komplexe Modell damit verglichen.
• [ ] Ich habe das Modell nur in den Zeiträumen evaluiert, in denen es nicht im Training war (Backtest).
• [ ] Ich habe die Schätzung mit einem Unsicherheitsbereich dargestellt, nicht mit einer einzelnen Zahl.
• [ ] Das Risiko eines Strukturbruchs/externen Schocks habe ich als separate Warnung erwähnt.
• [ ] Ich habe behauptet, dass die Verantwortung für die Vorhersage und das endgültige Urteil bei mir liege.