Nyereség:
- Az olyan idősor-fogalmak megértése, mint a trend, a szezonalitás, a ciklus és a stacionaritás a mesterséges intelligencia támogatásával és a sorozatok helyes elemzésének képessége
- Képesség ARIMA, ETS és egyszerű benchmark modellek mesterséges intelligenciába kódként történő telepítésére, előrejelzések előállítására és utólagos teszteléssel történő értékelésére
- Képes megérteni az előrejelzés törékenységét a bizonytalansági tartomány, a modellhatár és a szerkezeti törés mellett, és fenntartani, hogy az előrejelzésért a felelősség a közgazdászra hárul.
A közgazdaságtan nyelve az idő. Infláció, növekedés, munkanélküliség, árfolyamok – ezek mind olyan sorozatok, amelyek idővel folynak, és az egyik dolog, amit a közgazdásztól leggyakrabban kérdeznek: "na és mi lesz ezután?" az a kérdés. Ebben az egységben mesterséges intelligenciát használunk az idősor-koncepciók megértéséhez, a modellkód felépítéséhez és az előrejelzések készítéséhez. De már az elején tisztázzuk a keretet: Az előrejelzés nem jóslat, hanem feltételes előrejelzés bizonytalanság mellett, a felelősség pedig a közgazdászé. Az AI percek alatt meg tudja írni az ARIMA kódot; De az emberi lény dönti el, hogy ez a jóslat ésszerű-e vagy sem, és hogy összeomlik-e egy szerkezeti törés esetén.
Egy idősor összetevői
Bármely gazdasági sorozatot négy részre bontva segít elképzelni:
- Trend (tendencia). Hosszú távú irány; mint például a gazdaság növekedési pályája.
- Szezonalitás. Egész évben rendszeresen ismétlődő minta; Nyáron nő a turizmus, decemberben a kiskereskedelem.
- Ciklus (konjunktúra). Hosszabb, mint a szezon, rendszertelen hullámvölgyek; tágulási és összehúzódási időszakok.
- Szabálytalan/zaj. Megmagyarázhatatlan, véletlenszerű ingadozás.
Egy sorozat becslése előtt ezeket a komponenseket le kell bontani. Mert ha a nyers sorozatot nézzük, és azt mondjuk, hogy "esik", félrevezető lehet: lehet, hogy éppen egy szezonális mélypontban vagy.
Létezik a stacionaritás fogalma is: egy sorozat statisztikai tulajdonságai (átlaga, szórása) nem változnak az időben. A legtöbb gazdasági sorozat nem állandó (folyamatosan növekszik); Sok modell differenciálást (egy periódus kivonását a másikból) vagy logaritmusokkal történő stacionarizálást igényel az építés előtt. A mesterséges intelligencia ezeket a lépéseket ajánlja, de ha tudjuk, miért van szükség rájuk, az megvédi Önt.
Tipp: Előrejelzés előtt mindig ábrázolja és bontsa fel a sorozatot. Egy látszólagos szerkezeti törés (pl. válság vagy valutareform) még a legfejlettebb modellt is becsapja. A diagram a legolcsóbb diagnosztikai eszköz.
Modellek: az egyszerűtől a bonyolultig, de először a benchmark
Az idősoros előrejelzés aranyszabálya: mindig egy egyszerű benchmark modellel kezdje. A legegyszerűbb előrejelzés a „naiv előrejelzés”: a holnap egyenlő lesz a maival (vagy szezonális naiv: ez a hónap megegyezik az előző év azonos hónapjával). Ha egy összetett modell nem tudja felülmúlni ezt a naiv előrejelzést, a komplexitás hiábavaló.
Ezután gyakran használt módszerek:
- ETS / Exponenciális simítás. Egy család, amely súlyozással lágyítja a szintet, a trendet és a szezonalitást.
- HÍVÁS. Az autoregresszív (múltbeli értékeken alapuló) és mozgóátlag komponenseket kombináló klasszikus modell; szezonális változat SARIMA.
- Regresszió alapú/magyarázó modellek. Változó magyarázata más mutatókkal (pl. kereslet jövedelem és ár alapján).
A mesterséges intelligencia mindezeket statsmodelekben (Python könyvtár) tudja kódolni. Az Ön feladata a modellek kiválasztása és érvényesítése.
Visszateszt: az előrejelzés tesztje
Nem jelent semmit, ha egy modell "szépen passzol" a történelmi adatokhoz; Elég rugalmas ahhoz, hogy bármilyen modellhez illeszkedjen (ezt hívják túlillesztésnek). Az igazi kérdés: mennyire jósol a modell olyan időszakokat, amelyeket még nem látott? Ennek mérésére utólagos tesztelést végez: felosztja az adatokat egy időpontban, betanítja a modellt az előző résszel, megjósolja a következő részt "mintha az lenne a jövő", és összehasonlítja a valósággal. A hibamérők (például MAE – átlagos abszolút hiba vagy RMSE – négyzetes hiba) lehetővé teszik a modell és a benchmark összehasonlítását.
Vigyázat: Ne tanítsa a modellt a kiértékelt adatokkal. Az előrejelzés sikerét csak az edzésen nem használt időszakokban mérje. Különben becsapod magad; A modell papíron nagyszerűnek bizonyul, de a valóságban használhatatlan.
Bizonytalanság: tartomány, nem pontbecslés
Egyetlen szám („az év végére 24 százalékos lesz az infláció”) hamis bizonyosságot sugároz. Az őszinte becslés tartományt és valószínűséget tartalmaz: "a 21-27 százalékos sávban a középső forgatókönyv 24 százalék". Az előrejelzési bizonytalanságot a modell által előállított konfidencia intervallumokban fejezzük ki; de a valódi bizonytalanság ennél nagyobb, mert a modell feltevések is hibásak lehetnek. A strukturális törés (politikaváltás, külső sokk) a legnagyobb kockázat, amit a modell nem lát át.
három mini tok
1. eset – Nem sikerült felülmúlni a referenciaértéket. Egy elemző az AI-val egy komplex SARIMA-t építtetett a havi kiskereskedelmi értékesítéshez. A visszatesztben a modell átlagos abszolút hibája rosszabb volt, mint a szezonálisan naiv előrejelzés, amely szerint "ez a hónap megegyezik az előző év azonos hónapjával". Az elemző felhagyott az összetett modellel; A naiv találgatást vette alapul, és hozzátette a szakértői helyesbítést. Az egyszerűség győz.
2. eset – Szerkezeti törés. Egy intézmény a sokk utáni időszakra az árfolyamsokk előtti adatokkal kiképzett inflációs modellt alkalmazta. A modell erősen alábecsülte az inflációt, mert az elmúlt nyugodt időszak dinamikáját feltételezte. Tanulság: a modell feltételezi azt a világot, amelyben képzett; Amikor a világ megváltozik, a jóslat összeomlik. Ha a közgazdász a grafikonra nézne, látná a törést.
3. eset – A tartomány őszintesége. Egy közgazdász az év végi növekedési előrejelzését nem egyetlen adatként, hanem "3,0-4,2 százalékos sávként, ezek az alapfeltevések" mutatta be a menedzsmentnek. Az év végén a realizáltság 3,6 százalék volt; A zenekarban volt. Ha egyetlen számot adott volna meg, lehet, hogy „rossz” címkét kapott volna; a tartomány és a feltételezések egyaránt becsületesek és megőrzött bizalom.
Modellválasztó táblázat
Állapot
megfelelő kezdés
megjegyzés
Minden találgatás
Naiv / szezonális naiv benchmark
A verni való alap
Trend + szezonalitás, lapos
ETS (exponenciális simítás)
Könnyen telepíthető és kommentálható
Autokorrelált sorozat
(S)ARIMA
Stabilizálást igényel
Van egy magyarázó változó
Regresszió alapú
A jövő előrejelzőinek is kell
Szerkezeti törés gyanúja
Modell + szakértői korrekció
A tiszta modell nem elég
Négy másolható sablon
1) Elemzés és diagnózis:
Ábrázolja ezt a havi sorozatot [sorozat], majd válassza szét trend/szezonalitás/maradék összetevőkre (statsmodels). Ellenőrizze, hogy álló-e (ADF teszt), és ha szükséges, magyarázza el, melyik transzformációt (log, különbség) javasolja. Jelölje meg, ha látható szerkezeti törés van a diagramon.
2) Benchmark + modell összehasonlítás:
Először készítsen szezonális naiv referencia-előrejelzést ehhez a sorozathoz. Ezután állítson be egy ETS-t és egy SARIMA-t. Hasonlítsa össze mindhármat a MAE és az RMSE alapján egy visszateszttel (az elmúlt 12 hónap tesztelése). Tabletizálja az eredményeket, és egyértelműen jelezze, hogy melyik modell veri meg a benchmarkot.
3) Becslési és bizonytalansági tartomány:
Előre jelezze a következő 6 időszakot az általam választott modellhez, és adjon meg 80%/95% konfidencia intervallumot. Mutassa be a becslést tartományként, ne egyetlen számként. Tegye egyértelművé, hogy ez a tartomány CSAK a modell bizonytalanságára vonatkozik, a szerkezeti törés/külső ütés kockázatára nem.
4) Visszatesztelés:
Értelmezze ezeket a visszateszt eredményeit [táblázat]. A modell valóban felülmúlja a benchmarkot, vagy statisztikailag jelentéktelen a különbség? Adja meg, hogy modellje mely időszakokban követte el a legtöbb hibát, és kérdőjelezze meg ennek lehetséges gazdasági okát (válság, szezonális változás).
Gyenge felszólítás / Erős felszólítás
Gyenge felszólítás:
Találd ki ezt a sorozatot.
A mesterséges intelligencia véletlenszerű modellt épít fel, nem végez visszaellenőrzést, páratlan számot ad; Nem tudod, hogy a modell működik-e vagy sem.
Erőteljes felszólítás:
Először bontsa le az aktuális havi inflációs sorozatot, és keresse meg a szüneteket. Tesztelje az ETS-t és a SARIMA-t az elmúlt 12 hónapban egy szezonálisan naiv benchmarkhoz képest, hasonlítsa össze a MAE-vel. Válassza ki azt a modellt, amely felülmúlja a benchmarkot, adjon 6 hónapra előrejelzést, és állítson be 80%-os tartományt. A szerkezeti törés veszélyét külön figyelmeztetésként írja le. Mutassa meg az egyes lépésekhez tartozó kódot és összefoglaló számokat, amelyeket manuálisan ellenőrizhetek.
Gyakori hibák
- Ugrás az összetett modellbe benchmarkok felállítása nélkül. A komplexitás nem egyenlő a sikerrel.
- A modell értékelése a betanított adatok alapján. A túlzott megfelelés összetévesztése a sikerrel.
- Egypontos becslés megadása. hamis bizonyosság; tartomány és feltételezés szükséges.
- A szerkezeti törés figyelmen kívül hagyása. A múlt dinamikáját vakon viszi a jövőbe.
- A stabilizálás kihagyása. Hamis kapcsolatok és torz előrejelzés.
- A jóslat próféciaként való bemutatása. A bizonytalanság és a felelősség elrejtése.
Összefoglalva
Az idősoros előrejelzés a sorozat komponensekre történő szétválasztásával, stacionerizálásával, egyszerű benchmark felállításával, a modellek utólagos teszteléssel történő összehasonlításával és az eredmény őszinte bemutatásával történik a bizonytalansági tartományban. A mesterséges intelligencia gyorsan generálja a kódot ezekhez a lépésekhez; De a modellválasztás, a strukturális törés megítélése és az előrejelzések felelőssége a közgazdász feladata. A jóslat nem prófécia, hanem feltételes és bizonytalan jóslat.
Pályázati feladat
Válasszon egy havi gazdasági sorozatot (pl. ipari termelési index). Az 1. sablon segítségével válassza le és keresse meg a kitöréseket, a 2. sablonnal visszateszti az ETS/SARIMA-t a szezonális naiv benchmarkhoz képest, és készítsen 6 hónapos előrejelzési tartományt a 3. sablonnal. Jegyezze fel, hogy a modell valóban felülmúlja-e a benchmarkot, és jelölje meg a látható szerkezeti töréseket.
ellenőrző lista
- [ ] Megrajzoltam a sorozatot, és a trend/szezonalitás/törés alapján diagnosztizáltam.
- [ ] Ha szükséges, stacionarizálást (log/különbség) alkalmaztam, és ismerem az okot.
- [ ] Felállítottam egy egyszerű benchmarkot, és összehasonlítottam vele az összetett modellt.
- [ ] A modellt csak azokban az időszakokban értékeltem, amikor nem volt edzésben (backtest).
- [ ] A becslést nem egy számmal, hanem egy bizonytalansági tartománnyal mutattam be.
- [ ] Külön figyelmeztetésként említettem a szerkezeti törés/külső sokk kockázatát.
- [ ] Kitartottam, hogy az előrejelzés és a végső ítélet felelőssége engem terhel.