سود:
- درک مفاهیم سری زمانی مانند روند، فصلی، چرخه و ثابت بودن با پشتیبانی از هوش مصنوعی و توانایی تجزیه و تحلیل صحیح یک سری
- امکان نصب ARIMA، ETS و مدل های بنچمارک ساده در هوش مصنوعی به عنوان کد، تولید پیش بینی و ارزیابی آنها با بک تست
- توانایی درک شکنندگی پیشبینی در مواجهه با محدوده عدم قطعیت، حد مدل و شکست ساختاری و حفظ این موضوع که مسئولیت پیشبینی بر عهده اقتصاددان است.
زبان اقتصاد زمان است. تورم، رشد، بیکاری، نرخ ارز - همگی مجموعههایی هستند که در طول زمان جریان مییابند، و یکی از چیزهایی که اغلب از اقتصاددان پرسیده میشود این است که «بعد چه اتفاقی میافتد؟» سوال است در این بخش از هوش مصنوعی برای درک مفاهیم سری زمانی، ساخت کد مدل و تولید پیشبینی استفاده خواهیم کرد. اما بیایید از همان ابتدا چارچوب را روشن کنیم: پیشبینی یک پیشگویی نیست، بلکه یک پیشبینی مشروط در شرایط عدم قطعیت است و مسئولیت آن بر عهده اقتصاددان است. هوش مصنوعی می تواند کد آریما را در عرض چند دقیقه برای شما بنویسد. اما این انسان است که تصمیم میگیرد که آیا این پیشبینی معقول است یا خیر و آیا در مواجهه با گسست ساختاری فرو میپاشد.
اجزای یک سری زمانی
فکر کردن به هر سریال اقتصادی با تقسیم آن به چهار قسمت کمک می کند:
- روند (گرایش). جهت بلند مدت؛ مانند مسیر رشد اقتصاد.
- فصلی بودن الگویی که به طور منظم در طول سال تکرار می شود. گردشگری در تابستان افزایش می یابد، خرده فروشی در دسامبر افزایش می یابد.
- چرخه (conjuncture). طولانی تر از فصل، فراز و نشیب های نامنظم؛ دوره های انبساط و انقباض
- نامنظم / سر و صدا. نوسان تصادفی غیرقابل توضیح.
قبل از تخمین یک سری، لازم است این اجزاء تجزیه شوند. زیرا نگاه کردن به سریال خام و گفتن «در حال سقوط است» می تواند گمراه کننده باشد: شاید شما فقط در یک فرورفتگی فصلی هستید.
مفهوم ثابت بودن نیز وجود دارد: ویژگی های آماری (میانگین، واریانس) یک سری در طول زمان تغییر نمی کند. بیشتر سریال های اقتصادی ثابت نیستند (به طور مداوم در حال رشد هستند). بسیاری از مدل ها قبل از ساخت نیاز به تفریق (کم کردن یک دوره از دوره دیگر) یا ایستایی کردن با لگاریتم دارند. هوش مصنوعی این مراحل را توصیه می کند، اما دانستن اینکه چرا به آنها نیاز دارند، از شما محافظت می کند.
نکته: همیشه قبل از پیشبینی سریال را طرحریزی و تجزیه کنید. یک شکست ظاهری ساختاری (مثلاً یک بحران یا اصلاح ارز) حتی پیشرفتهترین مدلها را هم فریب میدهد. نمودار ارزان ترین ابزار تشخیصی است.
مدل ها: از ساده به پیچیده، اما ابتدا معیار
قانون طلایی در پیش بینی سری های زمانی: همیشه با یک مدل معیار ساده شروع کنید. ساده ترین پیش بینی «پیش بینی ساده لوحانه» است: فردا برابر با امروز خواهد بود (یا ساده لوح فصلی: این ماه با همان ماه سال گذشته برابری می کند). اگر یک مدل پیچیده نتواند این پیش بینی ساده لوحانه را شکست دهد، پیچیدگی بیهوده است.
سپس روش های پرکاربرد:
- ETS / هموارسازی نمایی. خانواده ای که با وزن دادن به آنها سطح، روند و فصلی را نرم می کند.
- تماس گرفتن. مدل کلاسیک ترکیبی از مؤلفههای خودرگرسیون (براساس مقادیر گذشته) و میانگین متحرک. نسخه فصلی SARIMA.
- مدل های مبتنی بر رگرسیون/تبیینی. توضیح یک متغیر با سایر شاخص ها (مثلاً تقاضا بر اساس درآمد و قیمت).
هوش مصنوعی می تواند همه اینها را در statsmodels (کتابخانه پایتون) کدگذاری کند. وظیفه شما انتخاب و اعتبارسنجی مدل هاست.
Backtest: آزمون پیش بینی
It doesn't mean anything if a model "fits nicely" with historical data; به اندازه کافی منعطف است که بتواند با هر مدلی مطابقت داشته باشد (به این حالت اضافه برازش گفته می شود). سوال واقعی: مدل چقدر دوره هایی را که ندیده است پیش بینی می کند؟ برای اندازهگیری این، آزمایشهای پشت سر هم انجام میدهید: دادهها را در یک تاریخ تقسیم میکنید، مدل را با قسمت قبلی آموزش میدهید، از آن میخواهید قسمت بعدی را «انگار آینده» پیشبینی کند و آن را با واقعیت مقایسه کنید. معیارهای خطا (به عنوان مثال، MAE - میانگین خطای مطلق، یا RMSE - ریشه میانگین مربعات خطا) به شما امکان می دهد مدل را با معیار مقایسه کنید.
احتیاط: مدل را با داده هایی که ارزیابی کرده اید آموزش ندهید. موفقیت پیش بینی را فقط در دوره هایی که در تمرین استفاده نمی شود اندازه گیری کنید. در غیر این صورت خود را فریب خواهید داد. این مدل روی کاغذ عالی است اما در واقعیت بی فایده است.
عدم قطعیت: محدوده، نه تخمین نقطه
یک عدد واحد ("تورم تا پایان سال 24 درصد خواهد بود") اطمینان کاذب را نشات می دهد. برآورد صادقانه شامل یک محدوده و احتمال است: "در باند 21-27 درصد، سناریوی مرکزی 24 درصد است". عدم قطعیت پیشبینی در فواصل اطمینان تولید شده توسط مدل بیان میشود. اما عدم قطعیت واقعی بیشتر از این است، زیرا مفروضات مدل نیز ممکن است اشتباه باشند. شکست ساختاری (تغییر سیاست، شوک خارجی) بزرگترین خطری است که مدل نمی تواند ببیند.
سه کیف کوچک
مورد 1 - شکست در غلبه بر معیار. یک تحلیلگر از هوش مصنوعی خواست تا یک SARIMA پیچیده برای خرده فروشی ماهانه بسازد. در آزمون پسزمینه، میانگین خطای مطلق مدل بدتر از پیشبینی ساده فصلی بود که میگفت «این ماه برابر با ماه مشابه سال گذشته است». تحلیلگر مدل پیچیده را رها کرد. او حدس ساده لوحانه را مبنا قرار داد و یک تصحیح کارشناسی اضافه کرد. سادگی برنده است
مورد 2 - شکست سازه. یک موسسه از مدل تورمی که با داده ها قبل از شوک نرخ ارز برای دوره پس از شوک آموزش داده بود استفاده کرد. این مدل تورم را به شدت دست کم گرفت زیرا پویایی دوره آرام گذشته را در نظر گرفت. درس: مدل، دنیایی را که در آن آموزش دیده است، فرض می کند. وقتی دنیا تغییر می کند، پیش بینی از بین می رود. اگر اقتصاددان به نمودار نگاه می کرد، شکست را می دید.
مورد 3 - صداقت محدوده. یک اقتصاددان پیش بینی رشد پایان سال خود را نه به عنوان یک رقم، بلکه به عنوان "باند 3.0-4.2 درصد، اینها مفروضات اساسی هستند" به مدیریت ارائه کرد. در پایان سال، تحقق 3.6 درصد بود. در گروه بود. اگر او یک عدد واحد داده بود، ممکن بود به او برچسب "اشتباه" داده شود. محدوده و مفروضات هر دو صادقانه و حفظ اعتماد بودند.
جدول انتخاب مدل
وضعیت
شروع مناسب
توجه داشته باشید
هر حدس و گمان
معیار ساده لوح / فصلی ساده
پایه برای ضرب و شتم
روند + فصلی، مسطح
ETS (هموارسازی نمایی)
نصب آسان و نظر دادن
سری های همبسته خودکار
(S) ARIMA
نیاز به تثبیت دارد
یک متغیر توضیحی وجود دارد
مبتنی بر رگرسیون
پیش بینی کنندگان آینده نیز باید
مشکوک به شکست سازه
مدل + تصحیح کارشناس
مدل خالص کافی نیست
چهار قالب قابل کپی
1) تجزیه و تشخیص:
آن سری [سری] ماهانه را ترسیم کنید، سپس آن را به اجزای روند/فصل/باقیمانده (مدل های آماری) جدا کنید. بررسی کنید که آیا ثابت است (تست ADF) و در صورت لزوم توضیح دهید که کدام تبدیل (log، تفاوت) را توصیه می کنید. اگر یک شکست ساختاری قابل مشاهده در نمودار وجود دارد علامت بزنید.
2) مقایسه معیار + مدل:
ابتدا یک پیش بینی معیار ساده فصلی برای این مجموعه ایجاد کنید. سپس یک ETS و یک SARIMA راه اندازی کنید. هر سه را بر اساس MAE و RMSE با یک بک تست (تست 12 ماه گذشته) مقایسه کنید. نتایج را جدول بندی کنید و به وضوح بیان کنید که کدام مدل معیار را شکست داده است.
3) محدوده تخمین و عدم قطعیت:
6 دوره بعدی را برای مدلی که انتخاب کردم پیش بینی کنید و فواصل اطمینان 80%/95% را ارائه دهید. تخمین را به عنوان یک محدوده ارائه کنید، نه به عنوان یک عدد. روشن کنید که این محدوده فقط عدم قطعیت مدل را پوشش می دهد، نه خطر شکست ساختاری / شوک خارجی.
4) خواندن بک تست:
این نتایج بک تست [جدول] را تفسیر کنید. آیا این مدل واقعاً معیار را شکست می دهد یا تفاوت از نظر آماری ناچیز است؟ بیان کنید که مدل شما در چه دوره هایی بیشترین اشتباه را مرتکب شده است و دلیل اقتصادی احتمالی آن (بحران، تغییر فصلی) را زیر سوال ببرید.
اعلان ضعیف / اعلان قوی
اعلان ضعیف:
این سریال را حدس بزنید
هوش مصنوعی یک مدل تصادفی می سازد، بک تست نمی کند، عدد فرد می دهد. شما نمی دانید که آیا این مدل کار می کند یا نه.
اعلان قدرتمند:
ابتدا سری تورم ماهانه جاری را تجزیه کرده و معافیت ها را اسکن کنید. Backtest ETS و SARIMA در 12 ماه گذشته در برابر یک معیار ساده فصلی، در مقایسه با MAE. مدلی را انتخاب کنید که معیار را شکست دهد، یک پیش بینی 6 ماهه به جلو ارائه دهید و محدوده 80٪ قرار دهید. خطر شکستگی سازه را به عنوان یک هشدار جداگانه بنویسید. کد هر مرحله و اعداد خلاصه را که می توانم به صورت دستی تأیید کنم را نشان دهید.
اشتباهات رایج
- پرش به مدل پیچیده بدون تنظیم معیارها. پیچیدگی مساوی با موفقیت نیست.
- ارزیابی مدل بر اساس داده هایی که روی آن آموزش داده شده است. اشتباه گرفتن انطباق بیش از حد برای موفقیت
- ارائه یک برآورد واحد. یقین کاذب؛ محدوده و فرض مورد نیاز
- نادیده گرفتن شکست ساختاری انتقال کورکورانه پویایی گذشته به آینده.
- رد شدن از تثبیت روابط جعلی و پیش بینی تحریف شده.
- ارائه پیشگویی به عنوان یک پیشگویی. پنهان کردن عدم اطمینان و مسئولیت.
به طور خلاصه
پیشبینی سریهای زمانی با تفکیک یک سری به اجزای آن، ثابت کردن آن، ایجاد یک معیار ساده، مقایسه مدلها با آزمون پسزمینه، و ارائه صادقانه نتیجه با محدوده عدم قطعیت انجام میشود. هوش مصنوعی به سرعت کد تمام این مراحل را تولید می کند. اما مسئولیت انتخاب مدل، قضاوت شکست ساختاری و پیشبینی بر عهده اقتصاددان است. پیشگویی یک پیشگویی نیست، بلکه یک پیشگویی مشروط و نامطمئن است.
وظیفه کاربردی
یک سری اقتصادی ماهانه (به عنوان مثال شاخص تولید صنعتی) را انتخاب کنید. با الگوی اول جداسازی و اسکن شکستگیها، بکآزمایش ETS/SARIMA در برابر معیار ساده فصلی با الگوی دوم، یک پیشبینی بازه رو به جلو 6 ماهه با الگوی سوم ایجاد کنید. توجه داشته باشید که آیا مدل شما واقعاً معیار را شکست می دهد یا خیر و هر شکست ساختاری را که می بینید علامت گذاری کنید.
چک لیست
- [ ] من سریال را طراحی کردم و آن را از نظر روند / فصلی / شکست تشخیص دادم.
- [ ] من در صورت لزوم، ثابت سازی (log/تفاوت) را اعمال کرده ام و دلیل آن را می دانم.
- [ ] من یک معیار ساده تنظیم کردم و مدل پیچیده را با آن مقایسه کردم.
- [ ] من مدل را فقط در دوره هایی که در تمرین نبود ارزیابی کردم (بک تست).
- [ ] من برآورد را با محدوده عدم قطعیت ارائه کردم، نه یک عدد واحد.
- [ ] من خطر شکست سازه/شوک خارجی را به عنوان یک هشدار جداگانه ذکر کردم.
- [ ] من معتقد بودم که مسئولیت پیش بینی و قضاوت نهایی با من است.