Κέρδη:
- Κατανόηση εννοιών χρονοσειρών όπως τάση, εποχικότητα, κύκλος και σταθερότητα με την υποστήριξη της τεχνητής νοημοσύνης και δυνατότητα σωστής ανάλυσης μιας σειράς
- Δυνατότητα εγκατάστασης ARIMA, ETS και απλών μοντέλων αναφοράς στην τεχνητή νοημοσύνη ως κώδικα, παραγωγής προβλέψεων και αξιολόγησης με backtesting
- Να είναι σε θέση να κατανοήσει την ευθραυστότητα της πρόβλεψης ενόψει του εύρους αβεβαιότητας, του ορίου του μοντέλου και της δομικής ρήξης και να υποστηρίξει ότι η ευθύνη για την πρόβλεψη παραμένει στον οικονομολόγο.
Η γλώσσα της οικονομίας είναι ο χρόνος. Πληθωρισμός, ανάπτυξη, ανεργία, συναλλαγματικές ισοτιμίες — είναι όλα σειρές που ρέουν με την πάροδο του χρόνου και ένα από τα πράγματα που ρωτιέται συχνότερα ο οικονομολόγος είναι "λοιπόν τι θα συμβεί στη συνέχεια;" είναι το ερώτημα. Σε αυτήν την ενότητα, θα χρησιμοποιήσουμε τεχνητή νοημοσύνη για να κατανοήσουμε έννοιες χρονοσειρών, να δημιουργήσουμε κώδικα μοντέλου και να παράγουμε προβλέψεις. Ας ξεκαθαρίσουμε όμως το πλαίσιο από την αρχή: Η πρόβλεψη δεν είναι προφητεία, αλλά υπό όρους πρόβλεψη υπό αβεβαιότητα και την ευθύνη την έχει ο οικονομολόγος. Το AI μπορεί να σας γράψει τον κωδικό ARIMA μέσα σε λίγα λεπτά. Αλλά είναι το ανθρώπινο ον που αποφασίζει εάν αυτή η πρόβλεψη είναι λογική ή όχι και εάν θα καταρρεύσει ενόψει μιας δομικής ρήξης.
Συστατικά μιας χρονολογικής σειράς
Βοηθάει να σκεφτούμε οποιαδήποτε οικονομική σειρά αναλύοντάς την σε τέσσερα μέρη:
- Τάση (τάση). Μακροπρόθεσμη κατεύθυνση; όπως η αναπτυξιακή πορεία της οικονομίας.
- Εποχικότητα. Μοτίβο που επαναλαμβάνεται τακτικά καθ' όλη τη διάρκεια του έτους. Αυξάνεται ο τουρισμός το καλοκαίρι, ενώ το λιανικό αυξάνεται τον Δεκέμβριο.
- Κύκλος (συγκυρία). Μεγαλύτερο από την εποχή, ακανόνιστα σκαμπανεβάσματα. περιόδους επέκτασης και συστολής.
- Ακανόνιστος/θόρυβος. Ανεξήγητη, τυχαία διακύμανση.
Πριν από την εκτίμηση μιας σειράς, είναι απαραίτητο να αποσυντεθεί αυτά τα συστατικά. Επειδή κοιτάζοντας την ακατέργαστη σειρά και λέτε «πέφτει» μπορεί να είναι παραπλανητικό: ίσως απλώς βρίσκεστε σε μια εποχική γούρνα.
Υπάρχει επίσης η έννοια της σταθερότητας: οι στατιστικές ιδιότητες (μέσος όρος, διακύμανση) μιας σειράς δεν αλλάζουν με την πάροδο του χρόνου. Οι περισσότερες οικονομικές σειρές δεν είναι σταθερές (αυξάνονται συνεχώς). Πολλά μοντέλα απαιτούν διαφοροποίηση (αφαίρεση μιας περιόδου από την άλλη) ή στασιοποίηση με λογάριθμους πριν από την κατασκευή. Η τεχνητή νοημοσύνη συνιστά αυτά τα βήματα, αλλά το να γνωρίζετε γιατί χρειάζονται, σας προστατεύει.
Συμβουλή: Πάντα να σχεδιάζετε και να αποσυνθέτετε τη σειρά πριν προβλέπετε. Μια προφανής διαρθρωτική ρήξη (π.χ. μια κρίση ή μια νομισματική μεταρρύθμιση) θα ξεγελάσει ακόμη και το πιο προηγμένο μοντέλο. Το διάγραμμα είναι το φθηνότερο διαγνωστικό εργαλείο.
Μοντέλα: από απλά σε σύνθετα, αλλά πρώτα το σημείο αναφοράς
Ο χρυσός κανόνας στην πρόβλεψη χρονοσειρών: ξεκινάτε πάντα με ένα απλό μοντέλο αναφοράς. Η απλούστερη πρόβλεψη είναι η «αφελής πρόβλεψη»: το αύριο θα είναι ίσο με το σήμερα (ή εποχιακή αφέλεια: αυτός ο μήνας ισούται με τον ίδιο μήνα πέρυσι). Εάν ένα σύνθετο μοντέλο δεν μπορεί να νικήσει αυτήν την αφελή πρόβλεψη, η πολυπλοκότητα είναι μάταιη.
Στη συνέχεια, μέθοδοι που χρησιμοποιούνται συχνά:
- ETS / Εκθετική εξομάλυνση. Μια οικογένεια που απαλύνει το επίπεδο, την τάση και την εποχικότητα ζυγίζοντας τα.
- ΚΛΗΣΗ. Το κλασικό μοντέλο που συνδυάζει στοιχεία αυτοπαλίνδρομης (βάσει προηγούμενων τιμών) και κινούμενου μέσου όρου. εποχιακή έκδοση SARIMA.
- Μοντέλα που βασίζονται σε παλινδρόμηση/επεξηγηματικά μοντέλα. Εξήγηση μιας μεταβλητής με άλλους δείκτες (π.χ. ζήτηση ανά εισόδημα και τιμή).
Το AI μπορεί να κωδικοποιήσει όλα αυτά σε statsmodels (βιβλιοθήκη Python). Η δουλειά σας είναι να επιλέγετε και να επικυρώνετε μοντέλα.
Backtest: τεστ πρόβλεψης
Δεν σημαίνει τίποτα αν ένα μοντέλο "ταιριάζει όμορφα" με ιστορικά δεδομένα? Αρκετά ευέλικτο ώστε να ταιριάζει σε οποιοδήποτε μοντέλο (αυτό ονομάζεται overfitting). Το πραγματικό ερώτημα: πόσο καλά προβλέπει το μοντέλο περιόδους που δεν έχει δει; Για να το μετρήσετε αυτό, κάνετε backtesting: χωρίζετε τα δεδομένα σε μια ημερομηνία, εκπαιδεύετε το μοντέλο με το προηγούμενο μέρος, το βάζετε να προβλέψει το επόμενο μέρος "σαν να ήταν το μέλλον" και το συγκρίνετε με την πραγματικότητα. Τα μέτρα σφάλματος (για παράδειγμα, MAE — μέσο απόλυτο σφάλμα ή RMSE — ριζικό μέσο τετραγωνικό σφάλμα) σάς επιτρέπουν να συγκρίνετε το μοντέλο με το σημείο αναφοράς.
Προσοχή: Μην εκπαιδεύετε το μοντέλο με τα δεδομένα που αξιολογήσατε. Μετρήστε την επιτυχία της πρόβλεψης μόνο σε περιόδους που δεν χρησιμοποιούνται στην προπόνηση. Διαφορετικά θα εξαπατήσετε τον εαυτό σας. Το μοντέλο βγαίνει υπέροχο στα χαρτιά αλλά άχρηστο στην πραγματικότητα.
Αβεβαιότητα: εύρος, όχι σημειακή εκτίμηση
Ένας μόνο αριθμός («ο πληθωρισμός θα είναι 24 τοις εκατό μέχρι το τέλος του έτους») αποπνέει ψευδή βεβαιότητα. Η ειλικρινής εκτίμηση περιλαμβάνει ένα εύρος και πιθανότητα: "στη ζώνη 21-27 τοις εκατό, το κεντρικό σενάριο είναι 24 τοις εκατό". Η αβεβαιότητα πρόβλεψης εκφράζεται στα διαστήματα εμπιστοσύνης που παράγονται από το μοντέλο. αλλά η πραγματική αβεβαιότητα είναι μεγαλύτερη από αυτή, επειδή οι υποθέσεις του μοντέλου μπορεί επίσης να είναι λανθασμένες. Η δομική ρήξη (αλλαγή πολιτικής, εξωτερικό σοκ) είναι ο μεγαλύτερος κίνδυνος που δεν μπορεί να δει το μοντέλο.
τρεις μίνι θήκες
Περίπτωση 1 — Αποτυχία υπέρβασης του σημείου αναφοράς. Ένας αναλυτής ζήτησε από την AI να κατασκευάσει ένα συγκρότημα SARIMA για μηνιαίες λιανικές πωλήσεις. Στο backtest, το μέσο απόλυτο σφάλμα του μοντέλου ήταν χειρότερο από την εποχιακή αφελή πρόβλεψη που έλεγε "αυτός ο μήνας είναι ίσος με τον ίδιο μήνα πέρυσι". Ο αναλυτής εγκατέλειψε το σύνθετο μοντέλο. Έλαβε ως βάση την αφελή εικασία και πρόσθεσε μια διόρθωση ειδικού. Η απλότητα κερδίζει.
Περίπτωση 2 — Δομικό διάλειμμα. Ένα ίδρυμα χρησιμοποίησε το μοντέλο πληθωρισμού που εκπαίδευσε με δεδομένα πριν από το σοκ της συναλλαγματικής ισοτιμίας για την περίοδο μετά τον σοκ. Το μοντέλο υποτίμησε σοβαρά τον πληθωρισμό επειδή υπέθεσε τη δυναμική της περασμένης ήρεμης περιόδου. Μάθημα: το μοντέλο υποθέτει τον κόσμο στον οποίο εκπαιδεύεται. Όταν ο κόσμος αλλάζει, η πρόβλεψη καταρρέει. Αν ο οικονομολόγος κοιτούσε το γράφημα, θα έβλεπε το σπάσιμο.
Περίπτωση 3 — Ειλικρίνεια του εύρους. Ένας οικονομολόγος παρουσίασε την πρόβλεψή του για την ανάπτυξη στο τέλος του έτους στη διοίκηση όχι ως ενιαίο νούμερο, αλλά ως «περιθώριο 3,0-4,2 τοις εκατό, αυτές είναι οι υποκείμενες υποθέσεις». Στο τέλος του έτους, η υλοποίηση ήταν 3,6 τοις εκατό. Ήταν στο συγκρότημα. Αν είχε δώσει έναν μόνο αριθμό, μπορεί να είχε χαρακτηριστεί "λάθος"? Το εύρος και οι υποθέσεις ήταν τόσο ειλικρινείς όσο και διατηρούσαν εμπιστοσύνη.
Πίνακας επιλογής μοντέλου
Κατάσταση
σωστή εκκίνηση
σημείωση
Κάθε εικασία
Αφελής / εποχιακός αφελής σημείο αναφοράς
Η βάση για να χτυπήσει
Τάση + εποχικότητα, επίπεδη
ETS (εκθετική εξομάλυνση)
Εύκολη εγκατάσταση και σχόλιο
Αυτοσυσχετισμένες σειρές
(Σ)ΑΡΗΜΑ
Χρειάζεται σταθεροποίηση
Υπάρχει μια επεξηγηματική μεταβλητή
Με βάση την παλινδρόμηση
Οι προβλέψεις του μέλλοντος πρέπει επίσης
Υποψία δομικής ρήξης
Μοντέλο + διόρθωση ειδικού
Το καθαρό μοντέλο δεν αρκεί
Τέσσερα πρότυπα με δυνατότητα αντιγραφής
1) Ανάλυση και διάγνωση:
Σχεδιάστε αυτή τη μηνιαία σειρά [σειρά] και, στη συνέχεια, διαχωρίστε την σε στοιχεία τάσης/εποχικότητας/υπολειπόμενων στοιχείων (statsmodels). Ελέγξτε εάν είναι ακίνητο (δοκιμή ADF) και, εάν χρειάζεται, εξηγήστε ποιον μετασχηματισμό (καταγραφή, διαφορά) προτείνετε. Σημειώστε εάν υπάρχει ορατή δομική ρήξη στο διάγραμμα.
2) Σύγκριση σημείων αναφοράς + μοντέλου:
Πρώτα, δημιουργήστε μια εποχιακή απλή πρόβλεψη αναφοράς για αυτήν τη σειρά. Στη συνέχεια, δημιουργήστε ένα ETS και ένα SARIMA. Συγκρίνετε και τα τρία με βάση το MAE και το RMSE με ένα backtest (δοκιμάζοντας τους τελευταίους 12 μήνες). Καταγράψτε τα αποτελέσματα και δηλώστε με σαφήνεια ποιο μοντέλο ξεπέρασε το σημείο αναφοράς.
3) Εύρος εκτίμησης και αβεβαιότητας:
Προβλέψτε τις επόμενες 6 περιόδους για το μοντέλο που επέλεξα και δώστε διαστήματα εμπιστοσύνης 80%/95%. Παρουσιάστε την εκτίμηση ως εύρος, όχι ως μεμονωμένο αριθμό. Διευκρινίστε ότι αυτό το εύρος καλύπτει ΜΟΝΟ την αβεβαιότητα του μοντέλου και όχι τον κίνδυνο δομικής θραύσης/εξωτερικού κραδασμού.
4) Ανάγνωση δοκιμαστικού ελέγχου:
Ερμηνεύστε αυτά τα αποτελέσματα backtest [πίνακας]. Το μοντέλο ξεπερνά πραγματικά το σημείο αναφοράς ή η διαφορά είναι στατιστικά ασήμαντη; Αναφέρετε σε ποιες περιόδους το μοντέλο σας έκανε τα περισσότερα λάθη και αμφισβητήστε τον πιθανό οικονομικό λόγο για αυτό (κρίση, εποχιακή αλλαγή).
Αδύναμη προτροπή / Ισχυρή προτροπή
Αδύναμη προτροπή:
Μαντέψτε αυτή τη σειρά.
Η τεχνητή νοημοσύνη δημιουργεί ένα τυχαίο μοντέλο, δεν κάνει backtest, δίνει έναν περιττό αριθμό. Δεν ξέρεις αν το μοντέλο λειτουργεί ή όχι.
Ισχυρή προτροπή:
Πρώτα αποσυνθέστε την τρέχουσα μηνιαία σειρά πληθωρισμού και σαρώστε για διαλείμματα. Backtest ETS και SARIMA τους τελευταίους 12 μήνες έναντι ενός εποχιακού αφελούς σημείου αναφοράς, σε σύγκριση με το MAE. Επιλέξτε το μοντέλο που ξεπερνά το σημείο αναφοράς, δώστε μια πρόβλεψη για 6 μήνες και βάλτε ένα εύρος 80%. Γράψτε τον κίνδυνο δομικής θραύσης ως ξεχωριστή προειδοποίηση. Δείξτε τον κωδικό για κάθε βήμα και τους συνοπτικούς αριθμούς που μπορώ να επαληθεύσω με μη αυτόματο τρόπο.
Συνήθη λάθη
- Μεταπήδηση σε σύνθετο μοντέλο χωρίς ρύθμιση σημείων αναφοράς. Η πολυπλοκότητα δεν ισοδυναμεί με επιτυχία.
- Αξιολόγηση του μοντέλου με βάση τα δεδομένα στα οποία εκπαιδεύτηκε. Λάθος της υπερβολικής συμμόρφωσης με επιτυχία.
- Δίνοντας μια εκτίμηση μόνο βαθμών. Ψευδής βεβαιότητα. απαιτούνται εύρος και υπόθεση.
- Αγνοώντας τη δομική ρήξη. Μεταφέροντας τυφλά τη δυναμική του παρελθόντος στο μέλλον.
- Παράλειψη σταθεροποίησης. Ψεύτικες σχέσεις και στρεβλή πρόβλεψη.
- Παρουσιάζοντας την πρόβλεψη ως προφητεία. Απόκρυψη αβεβαιότητας και ευθύνης.
Συνοπτικά
Η πρόβλεψη χρονοσειρών γίνεται με το διαχωρισμό μιας σειράς στα συστατικά της, τη σταθεροποίηση, τη δημιουργία ενός απλού σημείου αναφοράς, τη σύγκριση των μοντέλων με εκ των υστέρων έλεγχο και την ειλικρινή παρουσίαση του αποτελέσματος με το εύρος αβεβαιότητας. Η τεχνητή νοημοσύνη δημιουργεί γρήγορα τον κώδικα για όλα αυτά τα βήματα. Αλλά η ευθύνη για την επιλογή του μοντέλου, την κρίση δομικών ρήξεων και την πρόβλεψη ανήκει στον οικονομολόγο. Μια πρόβλεψη δεν είναι μια προφητεία, αλλά μια υπό όρους και αβέβαιη πρόβλεψη.
Εργασία εφαρμογής
Επιλέξτε μια μηνιαία οικονομική σειρά (π.χ. δείκτης βιομηχανικής παραγωγής). Διαχωρίστε και σαρώστε για ξεσπάσματα με το 1ο πρότυπο, backtest ETS/SARIMA σε σύγκριση με το εποχιακό αφελές σημείο αναφοράς με το 2ο πρότυπο, δημιουργήστε μια πρόβλεψη εύρους 6 μηνών με το 3ο πρότυπο. Σημειώστε εάν το μοντέλο σας ξεπερνά όντως το σημείο αναφοράς και επισημάνετε τυχόν δομικές αλλαγές που βλέπετε.
λίστα ελέγχου
- [ ] Σχεδίασα τη σειρά και τη διέγνωσα ως προς την τάση/εποχικότητα/διάλειμμα.
- [ ] Έχω εφαρμόσει στασιοποίηση (log/διαφορά) αν χρειάζεται και γνωρίζω τον λόγο.
- [ ] Δημιούργησα ένα απλό σημείο αναφοράς και συνέκρινα το σύνθετο μοντέλο με αυτό.
- [ ] Αξιολόγησα το μοντέλο μόνο κατά τις περιόδους που δεν ήταν σε προπόνηση (backtest).
- [ ] Παρουσίασα την εκτίμηση με εύρος αβεβαιότητας, όχι με έναν αριθμό.
- [ ] Ανέφερα τον κίνδυνο δομικής θραύσης/εξωτερικού κραδασμού ως ξεχωριστή προειδοποίηση.
- [ ] Υποστήριξα ότι η ευθύνη για την πρόβλεψη και την τελική κρίση ανήκει σε εμένα.