Dobici:
- Razumijevanje koncepata vremenskih nizova kao što su trend, sezonalnost, ciklus i stacionarnost uz podršku umjetne inteligencije i sposobnost ispravnog raščlanjivanja niza
- Sposobnost instaliranja ARIMA, ETS i jednostavnih referentnih modela u umjetnu inteligenciju kao koda, izrade predviđanja i njihove evaluacije s testiranjem unatrag
- Biti u stanju razumjeti krhkost prognoze u odnosu na raspon neizvjesnosti, ograničenje modela i strukturni lom, te zadržati da odgovornost za prognozu ostaje na ekonomistu.
Jezik ekonomije je vrijeme. Inflacija, rast, nezaposlenost, devizni tečajevi — sve su to nizovi koji teku kroz vrijeme, a jedna od stvari koje ekonomiste najčešće pitaju je "pa što će se sljedeće dogoditi?" pitanje je. U ovoj jedinici koristit ćemo umjetnu inteligenciju za razumijevanje koncepata vremenskih serija, izradu koda modela i izradu prognoza. No, razjasnimo okvir od samog početka: Prognoza nije proročanstvo, već uvjetno predviđanje pod neizvjesnošću, a odgovornost leži na ekonomistu. AI vam može napisati ARIMA kod za nekoliko minuta; Ali ljudsko biće je to koje odlučuje je li to predviđanje razumno ili ne i hoće li se srušiti pred strukturalnim lomom.
Komponente vremenske serije
Pomaže razmišljati o bilo kojoj ekonomskoj seriji razlažući je na četiri dijela:
- Trend (tendencija). Dugoročno usmjerenje; kao što je put rasta gospodarstva.
- Sezonalnost. Uzorak koji se redovito ponavlja tijekom godine; Turizam raste ljeti, maloprodaja raste u prosincu.
- Ciklus (konjunktura). Dulje od sezone, nepravilni usponi i padovi; razdoblja ekspanzije i kontrakcije.
- Nestalno/buka. Neobjašnjiva, nasumična fluktuacija.
Prije procjene niza potrebno je dekomponirati te komponente. Jer gledajući neobrađenu seriju i govoreći "opada" može dovesti u zabludu: možda ste samo na sezonskom dnu.
Postoji i koncept stacionarnosti: statistička svojstva (srednja vrijednost, varijanca) serije ne mijenjaju se tijekom vremena. Većina ekonomskih serija nije stacionarna (konstantno raste); Mnogi modeli zahtijevaju diferenciranje (oduzimanje jedne periode od druge) ili stacionarizaciju logaritmima prije izgradnje. AI preporučuje ove korake, ali saznanje zašto su potrebni štiti vas.
Savjet: Uvijek iscrtajte i rastavite niz prije predviđanja. Očigledni strukturni prijelom (npr. kriza ili reforma valute) zavarat će čak i najnapredniji model. Tablica je najjeftiniji dijagnostički alat.
Modeli: od jednostavnih do složenih, ali prvo mjerilo
Zlatno pravilo u predviđanju vremenskih serija: uvijek počnite s jednostavnim referentnim modelom. Najjednostavnija prognoza je "naivna prognoza": sutra će biti jednako današnjem (ili sezonska naivna: ovaj mjesec jednak je istom mjesecu prošle godine). Ako složeni model ne može pobijediti ovo naivno predviđanje, složenost je uzaludna.
Zatim često korištene metode:
- ETS / Eksponencijalno izglađivanje. Obitelj koja omekšava razinu, trend i sezonalnost tako što ih ponderira.
- POZIVANJE. Klasični model koji kombinira autoregresivne (temeljene na prošlim vrijednostima) i komponente pomičnog prosjeka; sezonska verzija SARIMA.
- Regresijski/eksplanatorni modeli. Objašnjavanje varijable drugim pokazateljima (npr. potražnja prema prihodu i cijena).
AI može sve to kodirati u statsmodels (Python biblioteka). Vaš je posao odabrati i potvrditi modele.
Backtest: test predviđanja
Ne znači ništa ako se model "lijepo uklapa" u povijesne podatke; Dovoljno fleksibilan da odgovara bilo kojem modelu (ovo se zove overfitting). Pravo pitanje: koliko dobro model predviđa razdoblja koja nije vidio? Da biste to izmjerili, provodite testiranje unatrag: dijelite podatke na datum, trenirate model s prethodnim dijelom, predviđate sljedeći dio "kao da je budućnost" i uspoređujete ga sa stvarnošću. Mjere pogreške (na primjer, MAE — srednja apsolutna pogreška ili RMSE — korijen srednje kvadratne pogreške) omogućuju vam da usporedite model s referentnom vrijednošću.
Oprez: Nemojte trenirati model s podacima koje ste procijenili. Mjerite uspjeh predviđanja samo u razdobljima koja se ne koriste u obuci. U protivnom ćete sami sebe prevariti; Model ispada odličan na papiru, ali beskoristan u stvarnosti.
Nesigurnost: raspon, ne točkasta procjena
Jedna brojka ("inflacija će do kraja godine biti 24 posto") odiše lažnom sigurnošću. Iskrena procjena uključuje raspon i vjerojatnost: "u rasponu od 21-27 posto, središnji scenarij je 24 posto". Nesigurnost prognoze izražava se u intervalima pouzdanosti koje proizvodi model; ali stvarna neizvjesnost je veća od ove, jer pretpostavke modela također mogu biti pogrešne. Strukturni lom (promjena politike, vanjski šok) je najveći rizik koji model ne vidi.
tri mini kućišta
Slučaj 1 — Neuspjeh u nadmašivanju referentne vrijednosti. Analitičar je AI-u napravio kompleks SARIMA za mjesečnu maloprodaju. U zadnjem testu, prosječna apsolutna pogreška modela bila je gora od sezonske naivne prognoze koja kaže da je "ovaj mjesec jednak istom mjesecu prošle godine". Analitičar je napustio složeni model; Za temelj je uzeo naivnu pretpostavku i dodao stručnu korekciju. Jednostavnost pobjeđuje.
Slučaj 2 — Strukturni lom. Institucija je koristila model inflacije koji je obučila s podacima prije šoka tečaja za razdoblje nakon šoka. Model je izrazito podcijenio inflaciju jer je pretpostavio dinamiku proteklog mirnog razdoblja. Lekcija: model pretpostavlja svijet u kojem je obučen; Kad se svijet promijeni, predviđanje se ruši. Kad bi ekonomist pogledao graf, vidio bi prijelom.
Slučaj 3 — Iskrenost raspona. Ekonomist je upravi predstavio svoju prognozu rasta za kraj godine ne kao jednu brojku, već kao "raspon od 3,0-4,2 posto, ovo su temeljne pretpostavke". Na kraju godine ostvarenje je bilo 3,6 posto; Bilo je to u bendu. Da je dao samo jedan broj, možda bi bio označen kao "pogrešan"; raspon i pretpostavke bili su i pošteni i održavali povjerenje.
Tablica za odabir modela
Status
pravilan početak
bilješka
Svako nagađanje
Naivno / sezonsko naivno mjerilo
Baza za tući
Trend + sezonalnost, stan
ETS (eksponencijalno izglađivanje)
Lako se instalira i komentira
Autokorelirane serije
(S)ARIMA
Potrebna stabilizacija
Postoji varijabla koja objašnjava
Na temelju regresije
Prediktori budućnosti također moraju
Sumnja na strukturni slom
Model + stručna korekcija
Čisti model nije dovoljan
Četiri predloška za kopiranje
1) Raščlanjivanje i dijagnoza:
Nacrtajte tu mjesečnu seriju [seriju], a zatim je odvojite na komponente trenda/sezonalnosti/reziduala (statsmodeli). Provjerite je li stacionaran (ADF test) i, ako je potrebno, objasnite koju transformaciju (log, razlika) preporučujete. Označite postoji li vidljiv strukturni prijelom u grafikonu.
2) Referentna vrijednost + usporedba modela:
Najprije uspostavite sezonsku naivnu referentnu prognozu za ovu seriju. Zatim postavite ETS i SARIMA. Usporedite sva tri na temelju MAE i RMSE s backtestom (testiranje zadnjih 12 mjeseci). Tabelirajte rezultate i jasno navedite koji je model nadmašio referentnu vrijednost.
3) Procjena i raspon nesigurnosti:
Prognozirajte sljedećih 6 razdoblja za model koji sam odabrao i dajte intervale pouzdanosti od 80%/95%. Predstavite procjenu kao raspon, a ne kao jedan broj. Jasno navedite da ovaj raspon pokriva SAMO nesigurnost modela, a ne rizik od strukturalnog loma/vanjskog udara.
4) Očitavanje povratnog testa:
Protumačite ove rezultate backtest-a [tablica]. Nadmašuje li model zapravo referentnu vrijednost ili je razlika statistički beznačajna? Navedite u kojim je razdobljima vaš model najviše griješio i upitajte mogući ekonomski razlog za to (kriza, sezonska promjena).
Slab upit / Jak upit
Slab upit:
Pogodi ovu seriju.
Umjetna inteligencija gradi nasumični model, ne vrši backtest, daje neparan broj; Ne znate radi li model ili ne.
Snažan upit:
Prvo dekomponirajte trenutnu mjesečnu seriju inflacije i potražite stanke. Backtest ETS i SARIMA u posljednjih 12 mjeseci u odnosu na sezonsku referentnu vrijednost, usporedite s MAE. Odaberite model koji nadmašuje referentnu vrijednost, dajte prognozu za 6 mjeseci unaprijed i stavite raspon od 80%. Rizik od strukturalnog loma zapišite kao zasebno upozorenje. Prikaži kod za svaki korak i sažete brojeve koje mogu ručno provjeriti.
Uobičajene greške
- Uskakanje u složeni model bez postavljanja mjerila. Složenost nije jednaka uspjehu.
- Procjena modela na temelju podataka na kojima je trenirao. Miješati pretjeranu usklađenost s uspjehom.
- Davanje procjene u jednom bodu. Lažna sigurnost; potreban raspon i pretpostavka.
- Zanemarujući strukturni prijelom. Slijepo nošenje dinamike prošlosti u budućnost.
- Preskakanje stabilizacije. Lažne veze i iskrivljena predviđanja.
- Prikazujući predviđanje kao proročanstvo. Skrivanje neizvjesnosti i odgovornosti.
Ukratko
Predviđanje vremenske serije provodi se odvajanjem serije na njene komponente, čineći je stacionarnom, uspostavljanjem jednostavne referentne vrijednosti, usporedbom modela testiranjem unazad i poštenim predstavljanjem rezultata s rasponom nesigurnosti. Umjetna inteligencija brzo generira kod za sve te korake; Ali odgovornost za odabir modela, procjenu strukturnih prijeloma i predviđanje leži na ekonomistima. Predviđanje nije proročanstvo, već uvjetno i neizvjesno predviđanje.
Zadatak aplikacije
Odaberite mjesečnu ekonomsku seriju (npr. indeks industrijske proizvodnje). Odvojite i skenirajte za proboje pomoću 1. predloška, testirajte ETS/SARIMA u odnosu na sezonsku naivnu referentnu vrijednost pomoću 2. predloška, napravite prognozu raspona za 6 mjeseci unaprijed pomoću 3. predloška. Zabilježite nadmašuje li vaš model referentnu vrijednost i označite sve strukturne prijelome koje vidite.
popis za provjeru
- [ ] Iscrtao sam niz i dijagnosticirao ga u smislu trenda/sezonskosti/prekida.
- [ ] Primijenio sam stacionarizaciju (log/razlika) ako je potrebno i znam razlog.
- [ ] Postavio sam jednostavnu referentnu vrijednost i usporedio složeni model s njom.
- [ ] Model sam ocjenjivao samo u razdobljima kada nije bio u treningu (backtest).
- [ ] Predstavio sam procjenu s rasponom nesigurnosti, a ne s jednim brojem.
- [ ] Spomenuo sam strukturalni lom/rizik od vanjskog udara kao zasebno upozorenje.
- [ ] Tvrdio sam da odgovornost za predviđanje i konačni sud leži na meni.