लाभ:
- कृत्रिम बुद्धिमत्ता की सहायता से प्रवृत्ति, मौसमी, चक्र और स्थिरता जैसी समय श्रृंखला अवधारणाओं को समझना और किसी श्रृंखला को सही ढंग से पार्स करने में सक्षम होना
- ARIMA, ETS और सरल बेंचमार्क मॉडल को कृत्रिम बुद्धिमत्ता में कोड के रूप में स्थापित करने, पूर्वानुमान तैयार करने और बैकटेस्टिंग के साथ उनका मूल्यांकन करने की क्षमता
- अनिश्चितता की सीमा, मॉडल सीमा और संरचनात्मक टूटने की स्थिति में पूर्वानुमान की नाजुकता को समझने में सक्षम होना और यह बनाए रखना कि पूर्वानुमान की जिम्मेदारी अर्थशास्त्री के पास रहती है।
अर्थशास्त्र की भाषा समय है. मुद्रास्फीति, विकास, बेरोज़गारी, विनिमय दरें - ये सभी शृंखलाएं हैं जो समय के साथ बहती हैं, और एक चीज़ जो अर्थशास्त्री से सबसे अधिक बार पूछी जाती है वह है "तो आगे क्या होता है?" क्या प्रश्न है। इस इकाई में, हम समय श्रृंखला अवधारणाओं को समझने, मॉडल कोड बनाने और पूर्वानुमान तैयार करने के लिए कृत्रिम बुद्धिमत्ता का उपयोग करेंगे। लेकिन आइए शुरुआत से ही रूपरेखा स्पष्ट करें: एक पूर्वानुमान एक भविष्यवाणी नहीं है, बल्कि अनिश्चितता के तहत एक सशर्त भविष्यवाणी है, और जिम्मेदारी अर्थशास्त्री की है। AI आपको मिनटों में ARIMA कोड लिख सकता है; लेकिन यह इंसान ही है जो यह तय करता है कि वह भविष्यवाणी उचित है या नहीं और संरचनात्मक टूटने की स्थिति में वह ढह जाएगी या नहीं।
समय श्रृंखला के घटक
यह किसी भी आर्थिक श्रृंखला को चार भागों में तोड़कर उसके बारे में सोचने में मदद करता है:
- प्रवृत्ति (प्रवृत्ति)। दीर्घकालिक दिशा; जैसे कि अर्थव्यवस्था का विकास पथ।
- मौसमी. पैटर्न जो पूरे वर्ष नियमित रूप से दोहराया जाता है; गर्मियों में पर्यटन बढ़ता है, दिसंबर में खुदरा बिक्री बढ़ती है।
- चक्र (संयोजन)। सीज़न से अधिक लंबा, अनियमित उतार-चढ़ाव; विस्तार और संकुचन की अवधि.
- अनियमित/शोर. अस्पष्टीकृत, यादृच्छिक उतार-चढ़ाव.
किसी श्रृंखला का अनुमान लगाने से पहले, इन घटकों को विघटित करना आवश्यक है। क्योंकि कच्ची श्रृंखला को देखना और यह कहना कि "यह गिर रहा है" भ्रामक हो सकता है: हो सकता है कि आप मौसमी गर्त में हों।
स्थिरता की अवधारणा भी है: किसी श्रृंखला के सांख्यिकीय गुण (माध्य, विचरण) समय के साथ नहीं बदलते हैं। अधिकांश आर्थिक शृंखलाएँ स्थिर (लगातार बढ़ती हुई) नहीं हैं; कई मॉडलों को निर्माण से पहले लघुगणक के साथ भिन्नता (एक अवधि को दूसरे से घटाना) या स्थिरीकरण की आवश्यकता होती है। एआई इन चरणों की अनुशंसा करता है, लेकिन यह जानना कि उनकी आवश्यकता क्यों है, आपकी सुरक्षा करता है।
युक्ति: भविष्यवाणी करने से पहले हमेशा श्रृंखला की साजिश रचें और उसे विघटित करें। एक स्पष्ट संरचनात्मक टूटन (जैसे संकट या मुद्रा सुधार) सबसे उन्नत मॉडल को भी मूर्ख बना देगा। चार्ट सबसे सस्ता निदान उपकरण है.
मॉडल: सरल से जटिल तक, लेकिन पहले बेंचमार्क
समय श्रृंखला पूर्वानुमान का सुनहरा नियम: हमेशा एक साधारण बेंचमार्क मॉडल से शुरुआत करें। सबसे सरल पूर्वानुमान "भोला पूर्वानुमान" है: कल आज के बराबर होगा (या मौसमी भोला: यह महीना पिछले साल के समान महीने के बराबर होगा)। यदि एक जटिल मॉडल इस अनुभवहीन भविष्यवाणी को हरा नहीं सकता है, तो जटिलता व्यर्थ है।
फिर अक्सर उपयोग की जाने वाली विधियाँ:
- ईटीएस / एक्सपोनेंशियल स्मूथिंग। एक ऐसा परिवार जो स्तर, प्रवृत्ति और मौसमी को महत्व देकर नरम बनाता है।
- कॉलिंग. ऑटोरेग्रेसिव (पिछले मूल्यों के आधार पर) और चलती औसत घटकों का संयोजन करने वाला शास्त्रीय मॉडल; मौसमी संस्करण सरिमा।
- प्रतिगमन-आधारित/व्याख्यात्मक मॉडल। अन्य संकेतकों के साथ एक चर की व्याख्या करना (उदाहरण के लिए आय और कीमत के आधार पर मांग)।
AI इन सभी को statsmodels (पायथन लाइब्रेरी) में कोड कर सकता है। आपका काम मॉडलों का चयन और सत्यापन करना है।
बैकटेस्ट: भविष्यवाणी का परीक्षण
यदि कोई मॉडल ऐतिहासिक डेटा के साथ "अच्छी तरह फिट बैठता है" तो इसका कोई मतलब नहीं है; किसी भी मॉडल में फिट होने के लिए पर्याप्त लचीला (इसे ओवरफिटिंग कहा जाता है)। असली सवाल: मॉडल उन अवधियों की कितनी अच्छी तरह भविष्यवाणी करता है जिन्हें उसने नहीं देखा है? इसे मापने के लिए, आप बैकटेस्टिंग करते हैं: आप डेटा को एक तिथि पर विभाजित करते हैं, पिछले भाग के साथ मॉडल को प्रशिक्षित करते हैं, अगले भाग की भविष्यवाणी करते हैं "जैसे कि यह भविष्य था" और इसकी वास्तविकता से तुलना करें। त्रुटि माप (उदाहरण के लिए, एमएई - माध्य पूर्ण त्रुटि, या आरएमएसई - मूल माध्य वर्ग त्रुटि) आपको मॉडल की तुलना बेंचमार्क से करने की अनुमति देता है।
सावधानी: आपके द्वारा मूल्यांकन किए गए डेटा के साथ मॉडल को प्रशिक्षित न करें। पूर्वानुमान की सफलता को केवल उन अवधियों में मापें जिनका उपयोग प्रशिक्षण में नहीं किया गया है। अन्यथा तुम स्वयं को धोखा दोगे; यह मॉडल कागज़ पर तो बढ़िया दिखता है लेकिन हकीकत में बेकार है।
अनिश्चितता: सीमा, बिंदु अनुमान नहीं
एक एकल संख्या ("वर्ष के अंत तक मुद्रास्फीति 24 प्रतिशत होगी") झूठी निश्चितता दर्शाती है। ईमानदार अनुमान में एक सीमा और संभावना शामिल है: "21-27 प्रतिशत बैंड में, केंद्र परिदृश्य 24 प्रतिशत है"। पूर्वानुमान अनिश्चितता मॉडल द्वारा उत्पादित विश्वास अंतराल में व्यक्त की जाती है; लेकिन वास्तविक अनिश्चितता इससे भी बड़ी है, क्योंकि मॉडल धारणाएँ ग़लत भी हो सकती हैं। संरचनात्मक टूटना (नीति परिवर्तन, बाहरी झटका) सबसे बड़ा जोखिम है जिसे मॉडल नहीं देख सकता।
तीन मिनी मामले
केस 1 - बेंचमार्क को मात देने में असफल होना। एक विश्लेषक ने AI से मासिक खुदरा बिक्री के लिए एक जटिल SARIMA का निर्माण कराया। बैकटेस्ट में, मॉडल की औसत पूर्ण त्रुटि मौसमी पूर्वानुमान से भी बदतर थी जिसमें कहा गया था कि "यह महीना पिछले साल के समान महीने के बराबर है।" विश्लेषक ने जटिल मॉडल को छोड़ दिया; उन्होंने अनुभवहीन अनुमान को आधार बनाया और एक विशेषज्ञ सुधार जोड़ा। सादगी जीतती है.
केस 2 - संरचनात्मक टूटना। एक संस्थान ने सदमे के बाद की अवधि के लिए विनिमय दर के झटके से पहले डेटा के साथ प्रशिक्षित मुद्रास्फीति मॉडल का उपयोग किया। मॉडल ने मुद्रास्फीति को गंभीर रूप से कम करके आंका क्योंकि इसमें पिछले शांत अवधि की गतिशीलता को माना गया था। पाठ: मॉडल उस दुनिया को मानता है जिसमें उसे प्रशिक्षित किया जाता है; जब दुनिया बदलती है, तो भविष्यवाणी ध्वस्त हो जाती है। यदि अर्थशास्त्री ग्राफ पर नजर डालें तो उन्हें ब्रेक नजर आएगा।
केस 3 - रेंज की ईमानदारी। एक अर्थशास्त्री ने अपने साल के अंत के विकास पूर्वानुमान को प्रबंधन के सामने एक आंकड़े के रूप में नहीं, बल्कि "3.0-4.2 प्रतिशत बैंड के रूप में प्रस्तुत किया, ये अंतर्निहित धारणाएं हैं।" वर्ष के अंत में, प्राप्ति 3.6 प्रतिशत थी; यह बैंड में था. यदि उसने एक भी नंबर दिया होता, तो उसे "गलत" करार दिया गया होता; सीमा और धारणाएँ दोनों ईमानदार थीं और विश्वास बनाए रखा।
मॉडल चयन तालिका
स्थिति
उचित शुरुआत
नोट
हर अनुमान
अनुभवहीन/मौसमी अनुभवहीन बेंचमार्क
हराने का आधार
प्रवृत्ति + मौसमी, सपाट
ईटीएस (एक्सपोनेंशियल स्मूथिंग)
इंस्टॉल करना और टिप्पणी करना आसान है
स्वत: सहसंबद्ध श्रृंखला
(एस)अरिमा
स्थिरीकरण की आवश्यकता है
एक व्याख्यात्मक चर है
प्रतिगमन आधारित
भविष्य के भविष्यवक्ताओं को भी ऐसा करना चाहिए
ढांचागत तोड़फोड़ का संदेह
मॉडल + विशेषज्ञ सुधार
शुद्ध मॉडल पर्याप्त नहीं है
चार प्रतिलिपि योग्य टेम्पलेट
1) विश्लेषण और निदान:
उस मासिक श्रृंखला [श्रृंखला] को प्लॉट करें, फिर उसे प्रवृत्ति/मौसमी/अवशिष्ट घटकों (स्टैटमॉडल) में अलग करें। जांचें कि क्या यह स्थिर है (एडीएफ परीक्षण) और, यदि आवश्यक हो, बताएं कि आप किस परिवर्तन (लॉग, अंतर) की अनुशंसा करते हैं। यदि चार्ट में कोई संरचनात्मक व्यवधान दिखाई दे तो चिह्नित करें।
2) बेंचमार्क + मॉडल तुलना:
सबसे पहले इस शृंखला के लिए एक मौसमी अनुभवहीन बेंचमार्क पूर्वानुमान स्थापित करें। फिर एक ETS और एक SARIMA स्थापित करें। एमएई और आरएमएसई के आधार पर तीनों की तुलना बैकटेस्ट (पिछले 12 महीनों का परीक्षण) से करें। परिणामों को सारणीबद्ध करें और स्पष्ट रूप से बताएं कि किस मॉडल ने बेंचमार्क को हराया।
3) अनुमान और अनिश्चितता सीमा:
मेरे द्वारा चुने गए मॉडल के लिए अगली 6 अवधियों का पूर्वानुमान लगाएं और 80%/95% विश्वास अंतराल दें। अनुमान को एक सीमा के रूप में प्रस्तुत करें, एकल संख्या के रूप में नहीं। यह स्पष्ट करें कि यह सीमा केवल मॉडल अनिश्चितता को कवर करती है, संरचनात्मक टूटने/बाहरी झटके के जोखिम को नहीं।
4) बैकटेस्ट रीडिंग:
इन बैकटेस्ट परिणामों की व्याख्या करें [तालिका]। क्या मॉडल वास्तव में बेंचमार्क को मात देता है, या अंतर सांख्यिकीय रूप से महत्वहीन है? बताएं कि किस अवधि में आपके मॉडल ने सबसे अधिक गलतियाँ कीं और इसके संभावित आर्थिक कारण (संकट, मौसमी परिवर्तन) पर सवाल उठाएं।
कमजोर संकेत/मजबूत संकेत
कमजोर संकेत:
इस श्रृंखला का अनुमान लगाएं.
आर्टिफिशियल इंटेलिजेंस एक यादृच्छिक मॉडल बनाता है, बैकटेस्ट नहीं करता है, एक विषम संख्या देता है; आप नहीं जानते कि मॉडल काम करता है या नहीं।
शक्तिशाली संकेत:
सबसे पहले वर्तमान मासिक मुद्रास्फीति श्रृंखला को विघटित करें और ब्रेक के लिए स्कैन करें। मौसमी अनुभवहीन बेंचमार्क के मुकाबले पिछले 12 महीनों में ETS और SARIMA का बैकटेस्ट, MAE से तुलना करें। वह मॉडल चुनें जो बेंचमार्क को मात दे, 6 महीने का आगे का पूर्वानुमान दें और 80% रेंज रखें। संरचनात्मक टूटने के जोखिम को एक अलग चेतावनी के रूप में लिखें। प्रत्येक चरण के लिए कोड और सारांश संख्याएँ दिखाएँ जिन्हें मैं मैन्युअल रूप से सत्यापित कर सकता हूँ।
सामान्य गलतियाँ
- बेंचमार्क स्थापित किए बिना जटिल मॉडल में कूदना। जटिलता सफलता के बराबर नहीं होती.
- उस डेटा के आधार पर मॉडल का मूल्यांकन करना जिस पर उसने प्रशिक्षण लिया। अत्यधिक अनुपालन को सफलता समझ लेना।
- एक बिंदु अनुमान दे रहा हूँ. झूठी निश्चितता; सीमा और धारणा आवश्यक है।
- संरचनात्मक टूटन को नजरअंदाज करना. आँख मूँद कर अतीत को गतिशील रूप से भविष्य की ओर ले जाना।
- स्थिरीकरण को छोड़ना। नकली रिश्ते और विकृत भविष्यवाणी।
- भविष्यवाणी को भविष्यवाणी के रूप में प्रस्तुत करना। अनिश्चितता और जिम्मेदारी छिपाना।
संक्षेप में
समय श्रृंखला का पूर्वानुमान एक श्रृंखला को उसके घटकों में अलग करके, इसे स्थिर बनाकर, एक सरल बेंचमार्क स्थापित करके, बैकटेस्टिंग द्वारा मॉडल की तुलना करके और अनिश्चितता सीमा के साथ परिणाम को ईमानदारी से प्रस्तुत करके किया जाता है। कृत्रिम बुद्धिमत्ता इन सभी चरणों के लिए तुरंत कोड तैयार करती है; लेकिन मॉडल चयन, संरचनात्मक ब्रेक निर्णय और पूर्वानुमान की जिम्मेदारी अर्थशास्त्री की है। भविष्यवाणी कोई भविष्यवाणी नहीं है, बल्कि एक सशर्त और अनिश्चित भविष्यवाणी है।
आवेदन कार्य
एक मासिक आर्थिक श्रृंखला चुनें (जैसे औद्योगिक उत्पादन सूचकांक)। पहले टेम्प्लेट के साथ ब्रेकआउट को अलग करें और स्कैन करें, दूसरे टेम्प्लेट के साथ मौसमी अनुभवहीन बेंचमार्क के मुकाबले ETS/SARIMA का बैकटेस्ट करें, तीसरे टेम्प्लेट के साथ 6 महीने का फॉरवर्ड रेंज पूर्वानुमान तैयार करें। ध्यान दें कि क्या आपका मॉडल वास्तव में बेंचमार्क को हराता है और आपके द्वारा देखे जाने वाले किसी भी संरचनात्मक ब्रेक को चिह्नित करें।
चेकलिस्ट
- [ ] मैंने श्रृंखला की योजना बनाई और प्रवृत्ति/मौसमी/विराम के संदर्भ में इसका निदान किया।
- [ ] यदि आवश्यक हो तो मैंने स्टेशनरीकरण (लॉग/अंतर) लागू किया है और मुझे इसका कारण पता है।
- [ ] मैंने एक साधारण बेंचमार्क स्थापित किया और इसके विरुद्ध जटिल मॉडल की तुलना की।
- [ ] मैंने मॉडल का मूल्यांकन केवल उस अवधि के दौरान किया जब यह प्रशिक्षण (बैकटेस्ट) में नहीं था।
- [ ] मैंने अनुमान को एक अनिश्चितता सीमा के साथ प्रस्तुत किया, एक भी संख्या के साथ नहीं।
- [ ] मैंने एक अलग चेतावनी के रूप में संरचनात्मक टूटने/बाहरी झटके के जोखिम का उल्लेख किया है।
- [ ] मैंने कहा कि भविष्यवाणी और अंतिम निर्णय की जिम्मेदारी मेरी है।