Kasu:
- Tehisintellekti toel aegridade mõistete, nagu trend, hooajalisus, tsükkel ja statsionaarsus, mõistmine tehisintellekti toel ja seeria õigesti sõelumine
- Võimalus installida tehisintellekti koodina ARIMA, ETS ja lihtsaid võrdlusmudeleid, koostada prognoose ja hinnata neid järeltestimisega
- Oskus mõista prognoosi haprust mõõtemääramatuse vahemiku, mudeli limiidi ja struktuurse katkestuse tingimustes ning säilitada, et vastutus prognoosi eest jääb majandusteadlasele.
Majanduse keel on aeg. Inflatsioon, majanduskasv, tööpuudus, vahetuskursid – need kõik on ajas voolavad jadad ja üks asi, mida majandusteadlaselt kõige sagedamini küsitakse, on "mis siis edasi saab?" on küsimus. Selles üksuses kasutame tehisintellekti aegridade kontseptsioonide mõistmiseks, mudelikoodi koostamiseks ja prognooside koostamiseks. Kuid teeme algusest peale raamistiku selgeks: prognoos ei ole ennustus, vaid tingimuslik ennustus ebakindluse tingimustes ja vastutus lasub majandusteadlasel. AI suudab teile ARIMA koodi kirjutada minutitega; Kuid inimene on see, kes otsustab, kas see ennustus on põhjendatud või mitte ja kas see kukub struktuurilise katkestuse korral kokku.
Aegrea komponendid
See aitab mõelda mis tahes majandussarjale, jagades need neljaks osaks:
- Trend (tendents). Pikaajaline suund; nagu majanduse kasvutee.
- Hooajalisus. Muster, mis kordub regulaarselt aastaringselt; Turism kasvab suvel, jaemüük kasvab detsembris.
- Tsükkel (konjunktuur). Pikem kui hooaeg, ebaregulaarsed tõusud ja mõõnad; laienemise ja kokkutõmbumise perioodid.
- Korralik/müra. Seletamatu, juhuslik kõikumine.
Enne seeria hindamist on vaja need komponendid lagundada. Sest toores seriaali vaatamine ja "see langeb" ütlemine võib olla eksitav: võib-olla oled sa lihtsalt hooajalises madalseisus.
Samuti on olemas statsionaarsuse mõiste: rea statistilised omadused (keskmine, dispersioon) ajas ei muutu. Enamik majandussarju ei ole statsionaarsed (kasvavad pidevalt); Paljud mudelid nõuavad enne ehitamist diferentseerimist (ühe perioodi lahutamist teisest) või logaritmidega statsionaariseerimist. AI soovitab neid samme, kuid teadmine, miks neid vaja on, kaitseb teid.
Näpunäide. Enne ennustamist joonistage ja lahutage seeriad alati. Ilmne struktuurne murrang (nt kriis või valuutareform) petab isegi kõige arenenuma mudeli. Diagramm on odavaim diagnostikavahend.
Mudelid: lihtsast keerukani, kuid esmalt etalon
Aegridade prognoosimise kuldreegel: alusta alati lihtsast võrdlusmudelist. Lihtsaim prognoos on "naiivne prognoos": homne on võrdne tänasega (või hooajaliselt naiivne: see kuu võrdub eelmise aasta sama kuuga). Kui keeruline mudel ei suuda seda naiivset ennustust ületada, on keerukus asjatu.
Siis sageli kasutatavad meetodid:
- ETS / Eksponentsiaalne silumine. Perekond, mis pehmendab taset, trendi ja hooajalisust neid kaaludes.
- HELISTAMINE. Klassikaline mudel, mis ühendab autoregressiivse (mineviku väärtustel põhineva) ja liikuva keskmise komponendid; hooajaline versioon SARIMA.
- Regressioonipõhised/seletavad mudelid. Muutuja selgitamine teiste näitajatega (nt nõudlus sissetuleku ja hinna järgi).
AI saab neid kõiki kodeerida statistikamudelites (Pythoni teek). Teie ülesanne on mudelite valimine ja kinnitamine.
Tagasitest: ennustamise test
See ei tähenda midagi, kui mudel "sobib kenasti" ajalooliste andmetega; Piisavalt paindlik, et sobituda iga mudeliga (seda nimetatakse ülepaigutamiseks). Tegelik küsimus: kui hästi mudel ennustab perioode, mida ta pole näinud? Selle mõõtmiseks teete järeltestimist: jagate andmed ühel kuupäeval, treenite mudelit eelmise osaga, lasete sellel ennustada järgmist osa "nagu see oleks tulevik" ja võrdlete seda tegelikkusega. Veamõõtmised (näiteks MAE — keskmine absoluutne viga või RMSE — ruutkeskmine viga) võimaldavad võrrelda mudelit võrdlusalusega.
Ettevaatust. Ärge treenige mudelit hinnatud andmetega. Mõõtke ennustamise edukust ainult perioodidel, mida treeningul ei kasutata. Muidu sa petad ennast; Mudel osutub paberil suurepäraseks, kuid tegelikkuses kasutu.
Määramatus: vahemik, mitte punkthinnang
Üksainus number ("inflatsioon on aasta lõpuks 24 protsenti") õhkub valekindlust. Aus hinnang sisaldab vahemikku ja tõenäosust: "21-27 protsendi vahemikus on keskstsenaarium 24 protsenti". Prognoosimääramatus väljendub mudeli poolt genereeritud usaldusvahemikes; kuid tegelik määramatus on sellest suurem, sest ka mudeli eeldused võivad olla valed. Struktuurimurd (poliitikamuutus, väline šokk) on suurim risk, mida mudel ei näe.
kolm minikarpi
Juhtum 1 – võrdlusaluse ületamine ebaõnnestumine. Analüütik lasi AI-l ehitada kompleksse SARIMA igakuise jaemüügi jaoks. Tagasitestis oli mudeli keskmine absoluutviga halvem kui hooajaline naiivne prognoos, mis ütles, et "see kuu võrdub eelmise aasta sama kuuga". Analüütik loobus keerulisest mudelist; Ta võttis aluseks naiivse oletuse ja lisas asjatundliku paranduse. Lihtsus võidab.
Juhtum 2 – struktuurikatkestus. Asutus kasutas šokijärgse perioodi enne vahetuskursišokki andmetega koolitatud inflatsioonimudelit. Mudel alahindas tõsiselt inflatsiooni, kuna eeldas möödunud rahuliku perioodi dünaamikat. Õppetund: mudel eeldab maailma, milles ta on koolitatud; Kui maailm muutub, kukub ennustus kokku. Kui majandusteadlane vaataks graafikut, näeks ta murdumist.
Juhtum 3 – vahemiku ausus. Majandusteadlane ei esitanud juhtkonnale oma aastalõpu kasvuprognoosi mitte ühe numbrina, vaid kui "3,0-4,2 protsendiline vahemik, need on aluseks olevad eeldused". Aasta lõpus oli realiseerimine 3,6 protsenti; See oli bändis. Kui ta oleks andnud üheainsa numbri, võinuks talle panna sildi "vale"; ulatus ja eeldused olid nii ausad kui ka usaldusväärsus.
Mudelivaliku tabel
Olek
õige algus
tähele
Iga oletus
Naiivne / hooajaline naiivne etalon
Alus, mida lüüa
Trend + hooajalisus, tasane
ETS (eksponentsiaalne silumine)
Lihtne paigaldada ja kommenteerida
Autokorrelatsiooni seeriad
(S)ARIMA
Vajab stabiliseerimist
On seletav muutuja
Regressioonipõhine
Tuleviku ennustajad peavad ka
Struktuurikatkestuse kahtlus
Mudel + ekspertparandus
Puhast mudelist ei piisa
Neli kopeeritavat malli
1) Parsimine ja diagnoosimine:
Joonistage see igakuine seeria [seeria], seejärel eraldage see trendi/hooaja/jääkkomponentideks (statistikamudelid). Kontrollige, kas see on paigal (ADF test) ja vajadusel selgitage, millist teisendust (log, erinevus) soovitate. Märkige, kas diagrammil on nähtav struktuurne purunemine.
2) Võrdlus + mudeli võrdlus:
Esmalt koostage selle seeria jaoks hooajaline naiivne võrdlusprognoos. Seejärel seadistage ETS ja SARIMA. Võrrelge kõiki kolme MAE ja RMSE põhjal tagasitestiga (viimase 12 kuu testimine). Esitage tulemused tabelina ja öelge selgelt, milline mudel ületas võrdlusaluse.
3) Hinnangu ja määramatuse vahemik:
Ennustage minu valitud mudeli jaoks järgmised 6 perioodi ja andke 80%/95% usaldusvahemikud. Esitage hinnang vahemikuna, mitte ühe arvuna. Tehke selgeks, et see vahemik hõlmab AINULT mudeli ebakindlust, mitte konstruktsiooni purunemise/välise šoki ohtu.
4) Tagasitesti näit:
Tõlgendada neid tagasitesti tulemusi [tabel]. Kas mudel ületab tegelikult võrdlusalust või on erinevus statistiliselt ebaoluline? Märkige, millistel perioodidel tegi teie mudel kõige rohkem vigu ja seadke kahtluse alla selle võimalik majanduslik põhjus (kriis, hooajaline muutus).
Nõrk viip / Tugev viip
Nõrk viip:
Arva ära see seeria.
Tehisintellekt loob juhusliku mudeli, ei testi tagasi, annab paaritu arvu; Sa ei tea, kas mudel töötab või mitte.
Võimas viip:
Esmalt lahutage jooksev igakuine inflatsioonirea ja otsige katkestusi. Testige ETS-i ja SARIMA-t viimase 12 kuu jooksul hooajalise naiivse etaloniga, võrrelge MAE-ga. Valige mudel, mis ületab võrdlusaluse, esitage 6 kuu prognoos ja määrake 80% vahemik. Eraldi hoiatusena kirjuta konstruktsiooni purunemise oht. Näidake iga sammu koodi ja kokkuvõtlikke numbreid, mida saan käsitsi kontrollida.
Levinud vead
- Hüppamine keerukasse mudelisse ilma etalonide seadmiseta. Keerukus ei võrdu eduga.
- Mudeli hindamine saadud andmete põhjal. Ülemäärase järgimise eksitamine edu saavutamiseks.
- Ühe punktihinnangu andmine. Vale kindlus; nõutav vahemik ja eeldus.
- Struktuurikatkestuse ignoreerimine. Mineviku dünaamika pimesi kandmine tulevikku.
- Stabiliseerimise vahelejätmine. Võltssuhted ja moonutatud ennustused.
- Ennustuse esitamine ettekuulutusena. Ebakindluse ja vastutuse peitmine.
Kokkuvõttes
Aegridade prognoosimiseks jagatakse seeria komponentideks, muudetakse see statsionaarseks, luuakse lihtne võrdlusalus, võrreldakse mudeleid järeltestimise teel ja esitatakse tulemus ausalt mõõtemääramatuse vahemikuga. Tehisintellekt genereerib kiiresti kõigi nende sammude koodi; Kuid vastutus mudeli valiku, struktuurimuutuste hindamise ja prognoosimise eest lasub majandusteadlastel. Ennustus ei ole ennustus, vaid tingimuslik ja ebakindel ennustus.
Rakenduse ülesanne
Valige igakuine majandusseeria (nt tööstustoodangu indeks). Eraldage ja skannige 1. malliga läbimurdeid, 2. malliga testige ETS/SARIMA tagasi hooajalise naiivse võrdlusaluse suhtes, koostage 6. kuu edasiste vahemike prognoos 3. malliga. Pange tähele, kas teie mudel ületab tegelikult võrdlusalust, ja märkige kõik nähtavad struktuurimured.
kontrollnimekiri
- [ ] Joonistasin seeria ja diagnoosisin selle trendi/hooaja/murde järgi.
- [ ] Olen vajadusel rakendanud statsionariseerimist (log/vahe) ja tean põhjust.
- [ ] Seadsin üles lihtsa võrdlusaluse ja võrdlesin keerulist mudelit sellega.
- [ ] Hindasin mudelit ainult nendel perioodidel, mil see ei olnud trennis (backtest).
- [ ] Esitasin hinnangu määramatuse vahemikuga, mitte ühe arvuga.
- [ ] Eraldi hoiatusena mainisin struktuurse purunemise/välise šoki riski.
- [ ] Jäin kindlaks, et vastutus ennustamise ja lõpliku otsuse eest lasub minul.