Voitot:
- Aikasarjakäsitteiden, kuten trendin, kausivaihtelun, syklin ja stationaarisuuden ymmärtäminen tekoälyn tuella ja sarjan jäsentäminen oikein
- Kyky asentaa ARIMA-, ETS- ja yksinkertaisia benchmark-malleja tekoälyyn koodina, tuottaa ennusteita ja arvioida niitä jälkitestauksella
- Pystyy ymmärtämään ennusteen haurautta epävarmuusvälin, mallirajan ja rakennekatkon edessä ja säilyttämään, että vastuu ennusteesta on ekonomistilla.
Taloustieteen kieli on aika. Inflaatio, kasvu, työttömyys, valuuttakurssit – ne kaikki ovat sarjoja, jotka virtaavat ajan myötä, ja yksi asia, jota ekonomisti kysyy useimmiten, on "mitä tapahtuu seuraavaksi?" on kysymys. Tässä yksikössä käytämme tekoälyä aikasarjakonseptien ymmärtämiseen, mallikoodin rakentamiseen ja ennusteiden tuottamiseen. Mutta selvennetään kehys alusta alkaen: Ennuste ei ole ennustus, vaan ehdollinen ennuste epävarmuudessa, ja vastuu on taloustieteilijällä. Tekoäly voi kirjoittaa sinulle ARIMA-koodin minuuteissa; Mutta se on ihminen, joka päättää, onko tämä ennuste kohtuullinen vai ei ja romahtaako se rakenteellisen murtumisen edessä.
Aikasarjan komponentit
Se auttaa ajattelemaan mitä tahansa taloudellista sarjaa jakamalla se neljään osaan:
- Trendi (trendi). Pitkäaikainen suunta; kuten talouden kasvupolku.
- Kausiluonteisuus. Kuvio, joka toistuu säännöllisesti ympäri vuoden; Matkailu lisääntyy kesällä, vähittäiskauppa lisääntyy joulukuussa.
- Kierto (konjunktuuri). Kauden pitempi, epäsäännölliset nousut ja laskut; laajenemis- ja supistumisjaksot.
- Epätasainen/kohina. Selittämätön, satunnainen vaihtelu.
Ennen sarjan arvioimista on tarpeen hajottaa nämä komponentit. Koska raa'an sarjan katsominen ja "se putoaa" sanominen voi olla harhaanjohtavaa: ehkä olet vain kauden aallonpohjassa.
On olemassa myös stationaarisuuden käsite: sarjan tilastolliset ominaisuudet (keskiarvo, varianssi) eivät muutu ajan kuluessa. Useimmat taloussarjat eivät ole paikallaan pysyviä (jatkuvasti kasvavia); Monet mallit vaativat differentioinnin (jakson vähentäminen toisesta) tai stationarisoinnin logaritmeilla ennen rakentamista. Tekoäly suosittelee näitä vaiheita, mutta tieto, miksi niitä tarvitaan, suojaa sinua.
Vinkki: Piirrä ja hajota sarja aina ennen ennustamista. Näennäinen rakenteellinen murros (esim. kriisi tai valuuttauudistus) huijaa edistyneimmälläkin mallilla. Kaavio on halvin diagnostiikkatyökalu.
Mallit: yksinkertaisista monimutkaisiin, mutta ensin vertailukohtana
Kultainen sääntö aikasarjaennusteissa: aloita aina yksinkertaisesta vertailumallista. Yksinkertaisin ennuste on "naiivi ennuste": huominen on sama kuin tämä päivä (tai kausiluonteinen naiivi: tämä kuukausi on sama kuin viime vuoden sama kuukausi). Jos monimutkainen malli ei voi voittaa tätä naiivia ennustetta, monimutkaisuus on turhaa.
Sitten usein käytetyt menetelmät:
- ETS / eksponentiaalinen tasoitus. Perhe, joka pehmentää tasoa, trendiä ja kausiluonteisuutta painottamalla niitä.
- SOITAMINEN. Klassinen malli, joka yhdistää autoregressiiviset (perustuu menneisiin arvoihin) ja liukuvan keskiarvon komponentit; kausiversio SARIMA.
- Regressiopohjaiset/selittävät mallit. Muuttujan selittäminen muilla indikaattoreilla (esim. kysyntä tuloilla ja hinnalla).
Tekoäly voi koodata nämä kaikki statsmodeleihin (Python-kirjasto). Sinun tehtäväsi on valita ja validoida malleja.
Backtest: ennusteen testi
Se ei tarkoita mitään, jos malli "sopii hienosti" historiallisten tietojen kanssa; Tarpeeksi joustava sopimaan mihin tahansa malliin (tätä kutsutaan yliasovitukseksi). Todellinen kysymys: kuinka hyvin malli ennustaa jaksoja, joita se ei ole nähnyt? Tämän mittaamiseksi teet jälkitestauksen: jaat tiedot päivämääränä, harjoittelet mallia edellisen osan kanssa, annat sen ennustaa seuraava osa "ikään kuin se olisi tulevaisuus" ja vertaat sitä todellisuuteen. Virhemitat (esimerkiksi MAE — keskimääräinen absoluuttinen virhe tai RMSE — neliövirhe) mahdollistavat mallin vertailun vertailuarvoon.
Varoitus: Älä kouluta mallia arvioimillasi tiedoilla. Mittaa ennusteen onnistumista vain jaksoilla, joita ei käytetä harjoittelussa. Muuten petät itsesi; Malli osoittautuu paperilla loistavaksi, mutta todellisuudessa hyödyttömäksi.
Epävarmuus: vaihteluväli, ei pistearvio
Yksittäinen luku ("inflaatio on 24 prosenttia vuoden loppuun mennessä") huokuu väärää varmuutta. Rehellinen arvio sisältää vaihteluvälin ja todennäköisyyden: "21-27 prosentin alueella keskiskenaario on 24 prosenttia". Ennusteen epävarmuus ilmaistaan mallin tuottamissa luottamusvälissä; mutta todellinen epävarmuus on tätä suurempi, koska myös mallioletukset voivat olla vääriä. Rakennemurto (politiikan muutos, ulkoinen shokki) on suurin riski, jota malli ei näe.
kolme minilaukkua
Tapaus 1 – vertailuarvoa ei voitu. Analyytikko antoi tekoälyn rakentaa monimutkaisen SARIMA-yksikön kuukausittaista vähittäismyyntiä varten. Takatestissä mallin keskimääräinen absoluuttinen virhe oli huonompi kuin kausiluonteinen naiivi ennuste, jonka mukaan "tämä kuukausi on sama kuin viime vuoden sama kuukausi". Analyytikko hylkäsi monimutkaisen mallin; Hän otti naiivin arvauksen perustana ja lisäsi asiantuntijan korjauksen. Yksinkertaisuus voittaa.
Tapaus 2 – Rakennehäiriö. Eräs laitos käytti inflaatiomallia, jonka se oli kouluttanut datalla ennen valuuttakurssisokkia shokin jälkeiselle ajalle. Malli aliarvioi inflaation voimakkaasti, koska se omaksui menneen rauhallisen ajanjakson dynamiikan. Oppitunti: malli olettaa maailman, jossa se on koulutettu; Kun maailma muuttuu, ennustus romahtaa. Jos ekonomisti katsoisi kaaviota, hän näkisi murron.
Tapaus 3 – Alueen rehellisyys. Taloustieteilijä esitti vuoden lopun kasvuennusteensa johdolle ei yhtenä lukuna, vaan "3,0-4,2 prosentin vaihteluvälinä, nämä ovat taustalla olevat oletukset". Vuoden lopussa realisaatio oli 3,6 prosenttia; Se oli bändissä. Jos hän olisi antanut yhden numeron, hänet olisi saatettu leimata "vääräksi"; vaihteluväli ja oletukset olivat sekä rehellisiä että säilyttivät luottamusta.
Mallin valintataulukko
Tila
oikea aloitus
huomautus
Jokainen arvaus
Naiivi / kausiluonteinen naiivi vertailukohta
Pohja lyödä
Trendi + kausivaihtelu, tasainen
ETS (eksponentiaalinen tasoitus)
Helppo asentaa ja kommentoida
Autokorreloitu sarja
(S)ARIMA
Vaatii vakauttamista
Siinä on selittävä muuttuja
Regressiopohjainen
Tulevaisuuden ennustajien on myös tehtävä
Epäilty rakenteellisesta rikkoutumisesta
Malli + asiantuntijakorjaus
Pelkkä malli ei riitä
Neljä kopioitavaa mallia
1) Jäsentäminen ja diagnoosi:
Piirrä tämä kuukausittainen sarja [sarja] ja erottele se sitten trendi/kausivaihtelu/jäännöskomponentit (tilastomallit). Tarkista, onko se paikallaan (ADF-testi) ja selitä tarvittaessa mitä muunnosa (logi, ero) suosittelet. Merkitse, jos kaaviossa on näkyvä rakennekatko.
2) Benchmark + mallin vertailu:
Määritä ensin kausiluonteinen naiivi vertailuennuste tälle sarjalle. Aseta sitten ETS ja SARIMA. Vertaa kaikkia kolmea MAE:n ja RMSE:n perusteella backtestillä (testattu viimeisten 12 kuukauden ajalta). Taulukoita tulokset ja kerro selvästi, mikä malli ylitti vertailuarvon.
3) Arviointi- ja epävarmuusalue:
Ennustele seuraavat 6 jaksoa valitsemalleni mallille ja anna 80 %/95 % luottamusvälit. Esitä arvio vaihteluvälinä, älä yhtenä numerona. Tee selväksi, että tämä alue kattaa VAIN mallin epävarmuuden, ei rakenteellisen rikkoutumisen/ulkoisen iskun riskiä.
4) Vastatestin lukema:
Tulkitse nämä backtest-tulokset [taulukko]. Ylittääkö malli todella vertailuarvon vai onko ero tilastollisesti merkityksetön? Kerro, millä jaksoilla mallisi teki eniten virheitä ja kyseenalaista tämän mahdollisen taloudellisen syyn (kriisi, kausivaihtelu).
Heikko kehote / Vahva kehote
Heikko kehote:
Arvaa tämä sarja.
Tekoäly rakentaa satunnaisen mallin, ei takatestaa, antaa parittoman luvun; Et tiedä toimiiko malli vai ei.
Tehokas kehotus:
Pura ensin nykyinen kuukausittainen inflaatiosarja ja etsi taukoja. Testaa ETS:ää ja SARIMAa viimeisten 12 kuukauden aikana kausiluonteista naiivia vertailua vastaan, vertaa MAE:hen. Valitse malli, joka päihittää vertailuarvon, anna kuuden kuukauden ennuste ja aseta 80 %:n vaihteluväli. Kirjoita rakenteen rikkoutumisvaara erilliseksi varoitukseksi. Näytä jokaisen vaiheen koodi ja yhteenvetonumerot, jotka voin vahvistaa manuaalisesti.
Yleisiä virheitä
- Hyppää monimutkaiseen malliin ilman vertailuarvojen asettamista. Monimutkaisuus ei ole yhtä kuin menestys.
- Mallin arvioiminen sen opetetun datan perusteella. Liiallinen noudattaminen erehtyy menestykseen.
- Yhden pisteen arvion antaminen. Väärä varmuus; vaadittava alue ja oletus.
- Rakenteellisen murron huomioimatta. Sokeasti viedä menneisyyden dynamiikkaa tulevaisuuteen.
- Stabiloinnin ohittaminen. Väärennetyt suhteet ja vääristynyt ennuste.
- Ennustuksen esittäminen ennustuksena. Piilottaa epävarmuutta ja vastuuta.
Yhteenvetona
Aikasarjaennuste tehdään erottamalla sarja osiin, tekemällä siitä paikallaan, muodostamalla yksinkertainen benchmark, vertaamalla malleja jälkitestauksella ja esittämällä tulos rehellisesti epävarmuusalueen kanssa. Tekoäly luo nopeasti koodin kaikille näille vaiheille; Mutta vastuu mallin valinnasta, rakenteellisten murrosten arvioinnista ja ennustamisesta on ekonomistilla. Ennustus ei ole ennustus, vaan ehdollinen ja epävarma ennuste.
Sovellustehtävä
Valitse kuukausittainen taloussarja (esim. teollisuustuotantoindeksi). Erottele ja etsi purkautumiset 1. mallilla, testaa ETS/SARIMA kausiluonteista naiivia vertailuarvoa 2. mallilla ja luo kuuden kuukauden ennuste 3. mallilla. Huomaa, ylittääkö mallisi todella vertailuarvon, ja merkitse havaitsemasi rakenteelliset häiriöt.
tarkistuslista
- [ ] Piirsin sarjan ja diagnosoin sen trendin/kausiluonteisuuden/katkon perusteella.
- [ ] Olen tarvittaessa soveltanut stationarisointia (logi/ero) ja tiedän syyn.
- [ ] Asetin yksinkertaisen vertailuarvon ja vertasin monimutkaista mallia siihen.
- [ ] Arvioin mallia vain niillä jaksoilla, jolloin se ei ollut harjoittelussa (backtest).
- [ ] Esitin arvion epävarmuusvälillä, en yhdellä numerolla.
- [ ] Mainitsin rakenteellisen murtuman/ulkoisen shokin riskin erillisenä varoituksena.
- [ ] Väitin, että vastuu ennustamisesta ja lopullisesta tuomiosta on minulla.