Gains :
- Comprendre les concepts de séries chronologiques tels que la tendance, la saisonnalité, le cycle et la stationnarité avec le soutien de l'intelligence artificielle et être capable d'analyser correctement une série
- Capacité à installer ARIMA, ETS et des modèles de référence simples dans l'intelligence artificielle sous forme de code, à produire des prédictions et à les évaluer avec des backtests
- Être capable de comprendre la fragilité de la prévision face à la plage d’incertitude, aux limites du modèle et à la rupture structurelle, et de maintenir que la responsabilité de la prévision incombe à l’économiste.
Le langage de l’économie est le temps. L'inflation, la croissance, le chômage, les taux de change : ce sont toutes des séries qui évoluent dans le temps, et l'une des questions que l'on pose le plus souvent aux économistes est : « Alors, que se passera-t-il ensuite ? est la question. Dans cette unité, nous utiliserons l'intelligence artificielle pour comprendre les concepts de séries chronologiques, créer du code de modèle et produire des prévisions. Mais clarifions le cadre dès le début : une prévision n'est pas une prophétie, mais une prédiction conditionnelle dans un contexte d'incertitude, et la responsabilité incombe à l'économiste. L'IA peut vous écrire du code ARIMA en quelques minutes ; Mais c’est l’être humain qui décide si cette prédiction est raisonnable ou non et si elle s’effondrera face à une rupture structurelle.
Composants d'une série chronologique
Il est utile de penser à n’importe quelle série économique en la décomposant en quatre parties :
- Tendance (tendance). Orientation à long terme ; comme la trajectoire de croissance de l’économie.
- Saisonnalité. Modèle qui se répète régulièrement tout au long de l’année ; Le tourisme augmente en été, le commerce de détail augmente en décembre.
- Cycle (conjoncture). Plus long que la saison, des hauts et des bas irréguliers ; périodes d’expansion et de contraction.
- Irrégulière/bruit. Fluctuation inexpliquée et aléatoire.
Avant d’estimer une série, il est nécessaire de décomposer ces composantes. Parce que regarder la série brute et dire « ça baisse » peut être trompeur : peut-être êtes-vous simplement dans un creux saisonnier.
Il existe également la notion de stationnarité : les propriétés statistiques (moyenne, variance) d'une série n'évoluent pas dans le temps. La plupart des séries économiques ne sont pas stationnaires (en croissance constante) ; De nombreux modèles nécessitent une différenciation (soustraction d'une période à une autre) ou une stationnarisation avec des logarithmes avant la construction. AI recommande ces étapes, mais savoir pourquoi elles sont nécessaires vous protège.
Astuce : tracez et décomposez toujours la série avant de faire une prédiction. Une rupture structurelle apparente (par exemple une crise ou une réforme monétaire) trompera même le modèle le plus avancé. Le graphique est l’outil de diagnostic le moins cher.
Modèles : du simple au complexe, mais d'abord la référence
La règle d'or en matière de prévision de séries chronologiques : commencez toujours par un modèle de référence simple. La prévision la plus simple est la « prévision naïve » : demain sera égal à aujourd’hui (ou naïve saisonnière : ce mois est égal au même mois de l’année dernière). Si un modèle complexe ne peut vaincre cette prédiction naïve, la complexité est inutile.
Puis méthodes fréquemment utilisées :
- ETS / Lissage exponentiel. Une famille qui adoucit niveau, tendance et saisonnalité en les pondérant.
- APPEL. Le modèle classique combinant des composantes autorégressives (basées sur les valeurs passées) et moyennes mobiles ; version saisonnière SARIMA.
- Modèles explicatifs/basés sur la régression. Expliquer une variable avec d'autres indicateurs (par exemple la demande par le revenu et le prix).
L'IA peut coder tout cela dans des modèles de statistiques (bibliothèque Python). Votre travail consiste à sélectionner et valider des modèles.
Backtest : test de prédiction
Cela ne veut rien dire si un modèle « s’adapte bien » aux données historiques ; Suffisamment flexible pour s'adapter à n'importe quel modèle (c'est ce qu'on appelle le surajustement). La vraie question : dans quelle mesure le modèle prédit-il les périodes qu’il n’a pas vues ? Pour mesurer cela, vous effectuez un backtesting : vous divisez les données à une date donnée, entraînez le modèle avec la partie précédente, lui faites prédire la partie suivante "comme si c'était le futur" et la comparez à la réalité. Les mesures d'erreur (par exemple, MAE — erreur absolue moyenne, ou RMSE — erreur quadratique moyenne) vous permettent de comparer le modèle à la référence.
Attention : N'entraînez pas le modèle avec les données que vous avez évaluées. Mesurez le succès des prédictions uniquement pendant les périodes non utilisées dans l’entraînement. Autrement vous vous tromperez ; Le modèle s’avère excellent sur le papier mais inutile en réalité.
Incertitude : plage, pas estimation ponctuelle
Un seul chiffre (« l’inflation sera de 24 % d’ici la fin de l’année ») dégage une fausse certitude. L'estimation honnête comprend une fourchette et une probabilité : "dans la fourchette 21-27 pour cent, le scénario central est de 24 pour cent". L'incertitude des prévisions est exprimée dans les intervalles de confiance produits par le modèle ; mais l’incertitude réelle est plus grande que cela, car les hypothèses du modèle peuvent également être fausses. La rupture structurelle (changement de politique, choc externe) constitue le plus grand risque que le modèle ne peut pas détecter.
trois mini-cases
Cas 1 – Échouer à battre la référence. Un analyste a demandé à l'IA de construire un SARIMA complexe pour les ventes au détail mensuelles. Lors du backtest, l'erreur absolue moyenne du modèle était pire que la prévision saisonnière naïve qui disait "ce mois-ci est égal au même mois de l'année dernière". L'analyste a abandonné le modèle complexe ; Il a pris comme base la supposition naïve et a ajouté une correction experte. La simplicité gagne.
Cas 2 — Rupture structurelle. Une institution a utilisé le modèle d’inflation qu’elle avait formé avec les données avant le choc du taux de change pour la période post-choc. Le modèle a largement sous-estimé l’inflation car il supposait la dynamique de la période calme passée. Leçon : le modèle assume le monde dans lequel il est formé ; Quand le monde change, la prédiction s’effondre. Si l’économiste regardait le graphique, il verrait la cassure.
Cas 3 — Honnêteté de la gamme. Un économiste a présenté à la direction ses prévisions de croissance pour la fin de l'année non pas sous la forme d'un chiffre unique, mais sous la forme d'une "bande de 3,0 à 4,2 pour cent, ce sont les hypothèses sous-jacentes". À la fin de l'année, la réalisation était de 3,6 pour cent ; C'était dans le groupe. S'il avait donné un seul chiffre, il aurait pu être qualifié de « faux » ; la portée et les hypothèses étaient à la fois honnêtes et maintenaient la confiance.
Tableau de sélection des modèles
Statut
bon départ
remarque
Chaque supposition
Benchmark naïf/saisonnier naïf
La base à battre
Tendance + saisonnalité, plat
ETS (lissage exponentiel)
Facile à installer et à commenter
Séries autocorrélées
(S)ARIMA
Besoin de stabilisation
Il existe une variable explicative
Basé sur la régression
Les prédicteurs de l’avenir doivent également
Soupçon de rupture structurelle
Modèle + correction experte
Le modèle pur ne suffit pas
Quatre modèles copiables
1) Analyse et diagnostic :
Tracez cette série mensuelle [série], puis séparez-la en composantes de tendance/saisonnalité/résiduelles (modèles statistiques). Vérifiez s'il est stationnaire (test ADF) et, si nécessaire, expliquez quelle transformation (log, différence) vous préconisez. Marquez s’il y a une rupture structurelle visible dans le graphique.
2) Comparaison benchmark + modèle :
Établissez d’abord une prévision de référence saisonnière naïve pour cette série. Mettez ensuite en place un ETS et un SARIMA. Comparez les trois sur la base du MAE et du RMSE avec un backtest (test des 12 derniers mois). Tableauz les résultats et indiquez clairement quel modèle a battu la référence.
3) Plage d’estimation et d’incertitude :
Prévoyez les 6 prochaines périodes pour le modèle que j'ai choisi et donnez des intervalles de confiance de 80 %/95 %. Présentez l’estimation sous forme de plage et non sous forme d’un seul chiffre. Indiquez clairement que cette plage couvre UNIQUEMENT l'incertitude du modèle, et non le risque de rupture structurelle/choc externe.
4) Lecture du backtest :
Interprétez ces résultats de backtest [tableau]. Le modèle dépasse-t-il réellement la référence ou la différence est-elle statistiquement insignifiante ? Indiquez à quelles périodes votre modèle a commis le plus d'erreurs et interrogez-vous sur les éventuelles raisons économiques (crise, changement de saison).
Invite faible/Invite forte
Invite faible :
Devinez cette série.
L'intelligence artificielle construit un modèle aléatoire, ne fait pas de backtest, donne un nombre impair ; Vous ne savez pas si le modèle fonctionne ou non.
Invite puissante :
Décomposez d’abord la série d’inflation mensuelle actuelle et recherchez les ruptures. Backtestez ETS et SARIMA au cours des 12 derniers mois par rapport à un benchmark naïf saisonnier, comparez avec MAE. Choisissez le modèle qui bat la référence, donnez une prévision à 6 mois et fixez une fourchette de 80 %. Écrivez le risque de rupture structurelle dans un avertissement distinct. Afficher le code de chaque étape et les numéros récapitulatifs que je peux vérifier manuellement.
Erreurs courantes
- Se lancer dans un modèle complexe sans établir de critères de référence. La complexité n’est pas synonyme de succès.
- Évaluer le modèle sur les données sur lesquelles il s'est entraîné. Confondre une conformité excessive avec le succès.
- Donner une estimation ponctuelle. Fausse certitude ; plage et hypothèse requises.
- Ignorer la rupture structurelle. Porter aveuglément la dynamique du passé vers le futur.
- Sauter la stabilisation. Fausses relations et prédictions déformées.
- Présenter la prédiction comme une prophétie. Cacher l’incertitude et la responsabilité.
En résumé
La prévision des séries chronologiques se fait en séparant une série en ses composants, en la rendant stationnaire, en établissant une référence simple, en comparant les modèles par backtesting et en présentant honnêtement le résultat avec la plage d'incertitude. L'intelligence artificielle génère rapidement le code de toutes ces étapes ; Mais la responsabilité du choix du modèle, du jugement sur la rupture structurelle et des prévisions incombe à l’économiste. Une prédiction n’est pas une prophétie, mais une prédiction conditionnelle et incertaine.
Tâche de candidature
Choisissez une série économique mensuelle (par exemple indice de production industrielle). Séparez et recherchez les cassures avec le 1er modèle, testez ETS/SARIMA par rapport au benchmark naïf saisonnier avec le 2ème modèle, produisez une prévision à terme sur 6 mois avec le 3ème modèle. Notez si votre modèle bat réellement la référence et signalez les ruptures structurelles que vous voyez.
liste de contrôle
- [ ] J'ai tracé la série et l'ai diagnostiquée en termes de tendance/saisonnalité/rupture.
- [ ] J'ai appliqué la stationarisation (log/différence) si nécessaire et j'en connais la raison.
- [ ] J'ai mis en place un benchmark simple et comparé le modèle complexe à celui-ci.
- [ ] J'ai évalué le modèle uniquement pendant les périodes où il n'était pas en formation (backtest).
- [ ] J'ai présenté l'estimation avec une plage d'incertitude, pas un seul chiffre.
- [ ] J’ai mentionné le risque de rupture structurelle/choc externe comme un avertissement distinct.
- [ ] J'ai soutenu que la responsabilité de la prédiction et du jugement final m'incombe.