ניתוח סדרות זמן ותחזיות

רווחים:

• הבנת מושגי סדרות זמן כמו מגמה, עונתיות, מחזוריות ונייחות עם תמיכה של בינה מלאכותית ויכולת לנתח סדרה בצורה נכונה
• יכולת להתקין ARIMA, ETS ומודלים פשוטים של בנצ'מרק בבינה מלאכותית כקוד, לייצר תחזיות ולהעריך אותם באמצעות בדיקות לאחור
• היכולת להבין את שבריריותה של התחזית מול טווח אי הוודאות, מגבלת המודל ושבירה מבנית, ולעמוד על כך שהאחריות לתחזית נשארת בידי הכלכלן.

שפת הכלכלה היא זמן. אינפלציה, צמיחה, אבטלה, שערי חליפין - כולם סדרות שזורמות לאורך זמן, ואחד הדברים שהכלכלן נשאל לרוב הוא "אז מה קורה אחר כך?" היא השאלה. ביחידה זו, נשתמש בבינה מלאכותית כדי להבין מושגי סדרות זמן, לבנות קוד מודל ולהפיק תחזיות. אבל בואו נבהיר את המסגרת כבר מההתחלה: תחזית היא לא נבואה, אלא תחזית מותנית בחוסר ודאות, והאחריות היא על הכלכלן. AI יכול לכתוב לך קוד ARIMA תוך דקות; אבל האדם הוא זה שמחליט אם התחזית הזו סבירה או לא והאם היא תקרוס לנוכח שבירה מבנית.

רכיבים של סדרת זמן

זה עוזר לחשוב על כל סדרה כלכלית על ידי פירוקה לארבעה חלקים:

• מגמה (נטייה). כיוון לטווח ארוך; כמו מסלול הצמיחה של המשק.
• עונתיות. דפוס שחוזר על עצמו באופן קבוע לאורך כל השנה; התיירות עולה בקיץ, הקמעונאות עולה בדצמבר.
• מחזור (צירוף). יותר מהעונה, עליות וירידות לא סדירות; תקופות של התרחבות והתכווצות.
• לא יציב/רעש. תנודה אקראית לא מוסברת.

לפני הערכת סדרה, יש צורך לפרק את הרכיבים הללו. כי להסתכל על הסדרה הגולמית ולהגיד "זה נופל" יכול להיות מטעה: אולי אתה פשוט בשפל עונתי.

יש גם את המושג של נייחות: התכונות הסטטיסטיות (ממוצע, שונות) של סדרה לא משתנות עם הזמן. רוב הסדרות הכלכליות אינן נייחות (צומחות ללא הרף); מודלים רבים דורשים הבדלים (הפחתת תקופה אחת לאחרת) או סטיינריזציה עם לוגריתמים לפני הבנייה. בינה מלאכותית ממליצה על השלבים האלה, אבל הידיעה מדוע הם נחוצים מגינה עליך.

טיפ: תמיד עליל ופרק את הסדרה לפני חיזוי. שבירה מבנית לכאורה (למשל משבר או רפורמה במטבעות) תטעה אפילו את המודל המתקדם ביותר. התרשים הוא כלי האבחון הזול ביותר.

מודלים: מפשוטים למורכבים, אבל קודם כל המדד

כלל הזהב בחיזוי סדרות זמן: התחל תמיד עם מודל בנצ'מרק פשוט. התחזית הפשוטה ביותר היא "התחזית הנאיבית": מחר יהיה שווה להיום (או תמימה עונתית: החודש הזה שווה לאותו החודש בשנה שעברה). אם מודל מורכב אינו יכול לנצח את התחזית הנאיבית הזו, מורכבות היא חסרת תועלת.

לאחר מכן שיטות בשימוש תכוף:

• ETS / החלקה אקספוננציאלית. משפחה שמרככת רמה, טרנד ועונתיות בשקלול שלהם.
• יִעוּד. המודל הקלאסי המשלב רכיבים אוטורגרסיביים (בהתבסס על ערכי עבר) ורכיבי ממוצע נע; גרסה עונתית SARIMA.
• מודלים מבוססי רגרסיה/הסברים. הסבר משתנה עם אינדיקטורים אחרים (למשל ביקוש לפי הכנסה ומחיר).

AI יכול לקודד את כל אלה במודלים סטטיסטיים (ספריית Python). התפקיד שלך הוא לבחור ולאמת דגמים.

מבחן אחורי: מבחן חיזוי

זה לא אומר כלום אם דגם "מתאים יפה" לנתונים היסטוריים; גמיש מספיק כדי להתאים לכל דגם (זה נקרא התאמה יתר). השאלה האמיתית: עד כמה המודל מנבא תקופות שלא ראה? כדי למדוד את זה, אתה מבצע בדיקות אחורה: אתה מפצל את הנתונים בתאריך, מאמן את המודל עם החלק הקודם, גורם לו לחזות את החלק הבא "כאילו זה היה העתיד" ומשווה אותו למציאות. מדדי שגיאה (לדוגמה, MAE - mean absolute error, או RMSE - root mean square error) מאפשרים לך להשוות את המודל למדד.

זהירות: אל תאמן את המודל עם הנתונים שהערכת. מדוד הצלחה חיזוי רק בתקופות שלא נעשה בהן שימוש באימון. אחרת תרמה את עצמך; הדגם יוצא נהדר על הנייר אבל חסר תועלת במציאות.

אי ודאות: טווח, לא אומדן נקודתי

מספר בודד ("האינפלציה תהיה 24 אחוזים עד סוף השנה") משדר ודאות כוזבת. ההערכה הכנה כוללת טווח והסתברות: "בתחום של 21-27 אחוזים, התרחיש המרכזי הוא 24 אחוז". אי ודאות התחזית מתבטאת ברווחי הסמך שמפיק המודל; אבל חוסר הוודאות האמיתי גדול מזה, מכיוון שגם הנחות המודל עשויות להיות שגויות. שבירה מבנית (שינוי מדיניות, זעזוע חיצוני) היא הסיכון הגדול ביותר שהמודל לא יכול לראות.

שלושה מיני תיקים

מקרה 1 - כישלון לנצח את הרף. אנליסט גרם ל-AI לבנות SARIMA מורכב למכירות קמעונאיות חודשיות. במבחן האחורי, הטעות המוחלטת הממוצעת של הדגם הייתה גרועה יותר מהתחזית הנאיבית העונתית שאמרה "החודש הזה שווה לאותו החודש בשנה שעברה". האנליטיקאי זנח את המודל המורכב; הוא לקח את הניחוש התמים כבסיס והוסיף תיקון מומחה. הפשטות מנצחת.

מקרה 2 - שבירה מבנית. מוסד השתמש במודל האינפלציה שהוא אימן עם נתונים לפני זעזוע שער החליפין לתקופה שלאחר ההלם. המודל זלזל קשות באינפלציה מכיוון שהוא הניח את הדינמיקה של תקופת הרגיעה שעברה. לקח: המודל מניח את העולם שבו הוא מאומן; כשהעולם משתנה, התחזית קורסת. אם הכלכלן היה מסתכל על הגרף, הוא היה רואה את השבירה.

מקרה 3 - כנות הטווח. כלכלן הציג בפני ההנהלה את תחזית הצמיחה שלו לסוף השנה לא כנתון בודד, אלא כ"רצועת 3.0-4.2 אחוזים, אלו הנחות היסוד". בסוף השנה עמד המימוש על 3.6 אחוזים; זה היה בלהקה. אם הוא היה נותן מספר בודד, ייתכן שהיה מתויג כ"לא נכון"; הטווח וההנחות היו גם כנים וגם נשמר אמון.

טבלת בחירת דגם

סטטוס

התחלה נכונה

הערה

כל ניחוש

אמת מידה נאיבית / עונתי

הבסיס לנצח

מגמה + עונתיות, שטוחה

ETS (החלקה אקספוננציאלית)

קל להתקנה והערה

סדרות בקורלציה אוטומטית

(S)ARIMA

צריך ייצוב

יש משתנה מסביר

מבוסס רגרסיה

גם מנבאי העתיד חייבים

חשד לשבירה מבנית

דגם + תיקון מומחה

מודל טהור אינו מספיק

ארבע תבניות הניתנות להעתקה

1) ניתוח ואבחון:

תכנן את הסדרה החודשית הזו [סדרה], ואז הפרד אותה לרכיבים מגמה/עונתיות/שאריות (מודלים סטטיסטיים). בדקו אם הוא נייח (בדיקת ADF) ובמידת הצורך הסבירו על איזו טרנספורמציה (לוג, הבדל) אתם ממליצים. סמן אם יש שבר מבני גלוי בתרשים.

2) השוואה בנצ'מרק + מודלים:

תחילה קבע תחזית תמימה עונתית עבור סדרה זו. לאחר מכן הגדר ETS ו-SARIMA. השווה את שלושתם בהתבסס על MAE ו-RMSE עם מבחן אחורי (בדיקה של 12 החודשים האחרונים). ערך טבלאות של התוצאות וציין בבירור איזה דגם גבר על המדד.

3) טווח הערכה ואי ודאות:

חזה את 6 התקופות הבאות עבור הדגם שבחרתי ותן רווחי סמך של 80%/95%. הצג את האומדן כטווח, לא כמספר בודד. הבהירו שטווח זה מכסה רק את אי הוודאות של הדגם, לא את הסיכון לשבר מבני/הלם חיצוני.

4) קריאת מבחן אחורי:

פרש את תוצאות הבדיקה האחורית הללו [טבלה]. האם המודל אכן מנצח את הרף, או שההבדל חסר משמעות סטטיסטית? ציינו באילו תקופות המודל שלכם עשה הכי הרבה טעויות והטיל ספק בסיבה הכלכלית האפשרית לכך (משבר, שינוי עונתי).

הנחיה חלשה / הנחיה חזקה

הנחיה חלשה:

נחשו את הסדרה הזו.

בינה מלאכותית בונה מודל אקראי, לא מבצעת בדיקה לאחור, נותנת מספר אי זוגי; אתה לא יודע אם הדגם עובד או לא.

הנחיה עוצמתית:

ראשית יש לפרק את סדרת האינפלציה החודשית הנוכחית ולחפש הפסקות. בדיקה חוזרת של ETS ו-SARIMA ב-12 החודשים האחרונים מול מדד נאיבי עונתי, בהשוואה ל-MAE. בחרו את הדגם שעובר את הרף, תנו תחזית של 6 חודשים קדימה ושימו טווח של 80%. כתוב את הסיכון לשבר מבני כאזהרה נפרדת. הצג את הקוד עבור כל שלב ומספרי סיכום שאני יכול לאמת באופן ידני.

טעויות נפוצות

• קפיצה למודל מורכב מבלי להגדיר אמות מידה. מורכבות אינה שווה הצלחה.
• הערכת המודל על פי הנתונים שהוא התאמן עליהם. טעות בציות מופרז להצלחה.
• מתן אומדן נקודתי בודד. ודאות כוזבת; טווח והנחה נדרשים.
• התעלמות מההפסקה המבנית. לשאת בעיוורון את הדינמיקה של העבר אל העתיד.
• דילוג על ייצוב. מערכות יחסים מזויפות ותחזית מעוותת.
• הצגת התחזית כנבואה. הסתרת אי ודאות ואחריות.

לסיכום

חיזוי סדרת זמן נעשית על ידי הפרדת סדרה למרכיביה, הפיכתה לנייחת, קביעת אמת מידה פשוטה, השוואת המודלים על ידי בדיקה לאחור והצגת התוצאה בכנות עם טווח אי הוודאות. בינה מלאכותית מייצרת במהירות את הקוד עבור כל השלבים הללו; אבל האחריות לבחירת המודל, שיקול הדעת של הפסקות מבניות וחיזוי היא של הכלכלן. תחזית היא לא נבואה, אלא תחזית מותנית ולא ודאית.

משימת יישום

בחר סדרה כלכלית חודשית (למשל מדד ייצור תעשייתי). הפרד וסרוק לאיתור פריצות עם התבנית הראשונה, בדוק את ה-ETS/SARIMA לאחור מול המדד הנאיבי העונתי עם התבנית השנייה, צור תחזית טווח של 6 חודשים קדימה עם התבנית השלישית. שים לב אם הדגם שלך באמת מנצח את הרף וסמן כל הפסקות מבניות שאתה רואה.

רשימת בדיקה

• [ ] תכננתי את הסדרה ואיבחנתי אותה מבחינת מגמה/עונתיות/הפסקה.
• [ ] החלתי סטייניזציה (יומן/הפרש) במידת הצורך ואני יודע את הסיבה.
• [ ] הקמתי מדד פשוט והשוויתי את המודל המורכב מולו.
• [ ] הערכתי את המודל רק בתקופות שבהן לא היה באימון (בקסטסט).
• [ ] הצגתי את האומדן עם טווח אי ודאות, לא מספר אחד.
• [ ] הזכרתי את הסיכון לשבר מבני/הלם חיצוני כאזהרה נפרדת.
• [ ] טענתי שהאחריות לחיזוי ולשיפוט הסופי מוטלת עליי.