Ganancias:
- Comprender conceptos de series de tiempo como tendencia, estacionalidad, ciclo y estacionariedad con el apoyo de inteligencia artificial y poder analizar una serie correctamente.
- Capacidad para instalar ARIMA, ETS y modelos de referencia simples en inteligencia artificial como código, producir predicciones y evaluarlas con pruebas retrospectivas.
- Ser capaz de comprender la fragilidad del pronóstico ante el rango de incertidumbre, el límite del modelo y la ruptura estructural, y sostener que la responsabilidad del pronóstico sigue siendo del economista.
El lenguaje de la economía es el tiempo. La inflación, el crecimiento, el desempleo, los tipos de cambio son series que fluyen a lo largo del tiempo, y una de las cosas que más a menudo le preguntan al economista es "¿y qué pasará después?". es la pregunta. En esta unidad, usaremos inteligencia artificial para comprender conceptos de series de tiempo, crear código de modelo y producir pronósticos. Pero aclaremos el marco desde el principio: un pronóstico no es una profecía, sino una predicción condicional bajo incertidumbre, y la responsabilidad recae en el economista. La IA puede escribirle código ARIMA en minutos; Pero es el ser humano quien decide si esa predicción es razonable o no y si colapsará ante una ruptura estructural.
Componentes de una serie temporal
Es útil pensar en cualquier serie económica dividiéndola en cuatro partes:
- Tendencia (tendencia). Dirección a largo plazo; como la senda de crecimiento de la economía.
- Estacionalidad. Patrón que se repite regularmente durante todo el año; El turismo aumenta en verano, el comercio minorista aumenta en diciembre.
- Ciclo (coyuntura). Más larga que la temporada, altibajos irregulares; períodos de expansión y contracción.
- Errático/ruido. Fluctuación aleatoria e inexplicable.
Antes de estimar una serie es necesario descomponer estos componentes. Porque mirar la serie en bruto y decir "está cayendo" puede ser engañoso: tal vez simplemente estés en un punto bajo estacional.
También existe el concepto de estacionariedad: las propiedades estadísticas (media, varianza) de una serie no cambian con el tiempo. La mayoría de las series económicas no son estacionarias (están en constante crecimiento); Muchos modelos requieren diferenciación (restando un período de otro) o estacionarización con logaritmos antes de construirlos. AI recomienda estos pasos, pero saber por qué son necesarios lo protege.
Consejo: Siempre trace y descomponga la serie antes de predecir. Una ruptura estructural aparente (por ejemplo, una crisis o una reforma monetaria) engañará incluso al modelo más avanzado. El gráfico es la herramienta de diagnóstico más barata.
Modelos: de lo simple a lo complejo, pero primero el punto de referencia
La regla de oro en el pronóstico de series temporales: comenzar siempre con un modelo de referencia simple. El pronóstico más simple es el “pronóstico ingenuo”: mañana será igual a hoy (o ingenuo estacional: este mes es igual al mismo mes del año pasado). Si un modelo complejo no puede superar esta ingenua predicción, la complejidad es inútil.
Luego métodos de uso frecuente:
- ETS / Suavizado exponencial. Una familia que suaviza nivel, tendencia y estacionalidad ponderándolos.
- VOCACIÓN. El modelo clásico que combina componentes autorregresivos (basados en valores pasados) y de media móvil; versión estacional SARIMA.
- Modelos basados en regresión/explicativos. Explicar una variable con otros indicadores (por ejemplo, demanda por ingreso y precio).
La IA puede codificar todo esto en modelos de estadísticas (biblioteca de Python). Su trabajo es seleccionar y validar modelos.
Backtest: prueba de predicción
No significa nada si un modelo "se ajusta bien" a los datos históricos; Lo suficientemente flexible como para adaptarse a cualquier modelo (esto se llama sobreajuste). La verdadera pregunta: ¿qué tan bien predice el modelo períodos que no ha visto? Para medir esto, se hace un backtesting: se dividen los datos en una fecha, se entrena el modelo con la parte anterior, se hace que prediga la siguiente parte "como si fuera el futuro" y se compara con la realidad. Las medidas de error (por ejemplo, MAE (error absoluto medio) o RMSE (error cuadrático medio) le permiten comparar el modelo con el punto de referencia.
Precaución: No entrene el modelo con los datos que evaluó. Mida el éxito de la predicción solo en períodos que no se utilizan en el entrenamiento. De lo contrario os engañaréis a vosotros mismos; El modelo resulta fantástico sobre el papel pero inútil en la realidad.
Incertidumbre: rango, no estimación puntual
Una sola cifra (“la inflación será del 24 por ciento a finales de año”) exuda falsa certeza. La estimación honesta incluye un rango y una probabilidad: "en la banda del 21 al 27 por ciento, el escenario central es del 24 por ciento". La incertidumbre del pronóstico se expresa en los intervalos de confianza producidos por el modelo; pero la incertidumbre real es mayor, porque los supuestos del modelo también pueden ser erróneos. La ruptura estructural (cambio de política, shock externo) es el mayor riesgo que el modelo no puede ver.
tres mini casos
Caso 1: No lograr superar el punto de referencia. Un analista hizo que la IA construyera un SARIMA complejo para las ventas minoristas mensuales. En la prueba retrospectiva, el error absoluto promedio del modelo fue peor que el pronóstico ingenuo estacional que decía "este mes es igual al mismo mes del año pasado". El analista abandonó el complejo modelo; Tomó como base la ingenua suposición y añadió una corrección experta. La simplicidad gana.
Caso 2: Rotura estructural. Una institución utilizó el modelo de inflación que entrenó con datos antes del shock del tipo de cambio para el período posterior al shock. El modelo subestimó gravemente la inflación porque asumió la dinámica del pasado período de calma. Lección: el modelo asume el mundo en el que se entrena; Cuando el mundo cambia, la predicción colapsa. Si el economista mirara el gráfico, vería la ruptura.
Caso 3: Honestidad del rango. Un economista presentó a la dirección su previsión de crecimiento para finales de año no como una cifra única, sino como "una banda del 3,0-4,2 por ciento, estas son las suposiciones subyacentes". Al final del año, la realización fue del 3,6 por ciento; Fue en la banda. Si hubiera dado un solo número, es posible que lo hubieran etiquetado como "incorrecto"; El alcance y las suposiciones fueron honestos y mantuvieron la confianza.
Tabla de selección de modelos
Estado
comienzo adecuado
nota
Cada conjetura
Punto de referencia ingenuo / ingenuo estacional
La base a batir
Tendencia + estacionalidad, plana
ETS (suavizado exponencial)
Fácil de instalar y comentar.
Series autocorrelacionadas
(S)ARIMA
Necesita estabilización
Hay una variable explicativa.
Basado en regresión
Los predictores del futuro también deben
Sospecha de ruptura estructural
Modelo + corrección experta
El modelo puro no es suficiente
Cuatro plantillas copiables
1) Análisis y diagnóstico:
Trace esa serie [serie] mensual, luego sepárela en componentes de tendencia/estacionalidad/residuales (modelos estadísticos). Compruebe si es estacionario (prueba ADF) y, si es necesario, explique qué transformación (registro, diferencia) recomienda. Marque si hay una ruptura estructural visible en el gráfico.
2) Comparación de referencia + modelo:
Primero establezca un pronóstico de referencia ingenuo estacional para esta serie. Luego configure un ETS y un SARIMA. Compare los tres según MAE y RMSE con un backtest (pruebas de los últimos 12 meses). Tabule los resultados e indique claramente qué modelo superó el punto de referencia.
3) Estimación y rango de incertidumbre:
Pronostique los próximos 6 períodos para el modelo que elegí y proporcione intervalos de confianza del 80%/95%. Presente la estimación como un rango, no como un número único. Deje claro que este rango SÓLO cubre la incertidumbre del modelo, no el riesgo de rotura estructural/shock externo.
4) Lectura de prueba retrospectiva:
Interprete estos resultados del backtest [tabla]. ¿El modelo realmente supera el punto de referencia o la diferencia es estadísticamente insignificante? Indique en qué períodos su modelo cometió más errores y cuestione la posible razón económica de esto (crisis, cambio estacional).
Aviso débil / Aviso fuerte
Aviso débil:
Adivina esta serie.
La inteligencia artificial construye un modelo aleatorio, no realiza pruebas retrospectivas, da un número impar; No sabes si el modelo funciona o no.
Potente mensaje:
Primero, descomponga la serie de inflación mensual actual y busque rupturas. Realice una prueba retrospectiva de ETS y SARIMA en los últimos 12 meses frente a un punto de referencia ingenuo estacional, compárelo con MAE. Elija el modelo que supere el punto de referencia, proporcione un pronóstico a 6 meses y establezca un rango del 80%. Escriba el riesgo de rotura estructural como una advertencia separada. Muestra el código de cada paso y los números resumidos que puedo verificar manualmente.
Errores comunes
- Saltar a un modelo complejo sin establecer puntos de referencia. La complejidad no es sinónimo de éxito.
- Evaluar el modelo a partir de los datos con los que se entrenó. Confundir el cumplimiento excesivo con el éxito.
- Dando una estimación de un solo punto. Falsa certeza; rango y suposiciones requeridas.
- Ignorando la ruptura estructural. Llevar ciegamente la dinámica del pasado hacia el futuro.
- Saltarse la estabilización. Relaciones falsas y predicciones distorsionadas.
- Presentando la predicción como una profecía. Ocultar la incertidumbre y la responsabilidad.
En resumen
El pronóstico de series de tiempo se realiza separando una serie en sus componentes, haciéndola estacionaria, estableciendo un punto de referencia simple, comparando los modelos mediante pruebas retrospectivas y presentando el resultado honestamente con el rango de incertidumbre. La inteligencia artificial genera rápidamente el código para todos estos pasos; Pero la responsabilidad de la selección del modelo, el juicio de ruptura estructural y la previsión recae en el economista. Una predicción no es una profecía, sino una predicción condicional e incierta.
Tarea de aplicación
Elija una serie económica mensual (por ejemplo, índice de producción industrial). Separe y busque rupturas con la primera plantilla, realice una prueba retrospectiva de ETS/SARIMA frente al punto de referencia ingenuo estacional con la segunda plantilla, produzca un pronóstico de rango adelantado de 6 meses con la tercera plantilla. Observe si su modelo realmente supera el punto de referencia y marque cualquier ruptura estructural que observe.
lista de verificación
- [ ] Tracé la serie y la diagnosticé en términos de tendencia/estacionalidad/ruptura.
- [] He aplicado la estacionarización (log/diferencia) si es necesario y sé el motivo.
- [] Configuré un punto de referencia simple y comparé el modelo complejo con él.
- [ ] Evalué el modelo solo durante los períodos en los que no estaba en entrenamiento (backtest).
- [ ] Presenté la estimación con un rango de incertidumbre, no con un solo número.
- [ ] Mencioné el riesgo de ruptura estructural/shock externo como una advertencia separada.
- [ ] Sostuve que la responsabilidad de la predicción y del juicio final recae en mí.