Keuntungan:
- Memahami konsep deret waktu seperti tren, musiman, siklus dan stasioneritas dengan dukungan kecerdasan buatan serta mampu mengurai suatu deret dengan benar
- Kemampuan untuk menginstal ARIMA, ETS dan model benchmark sederhana ke dalam kecerdasan buatan sebagai kode, menghasilkan prediksi dan mengevaluasinya dengan backtesting
- Mampu memahami kerapuhan perkiraan dalam menghadapi kisaran ketidakpastian, batasan model, dan kerusakan struktural, dan menjaga bahwa tanggung jawab atas perkiraan tersebut tetap berada di tangan ekonom.
Bahasa ekonomi adalah waktu. Inflasi, pertumbuhan, pengangguran, nilai tukar mata uang – semuanya merupakan rangkaian yang mengalir seiring berjalannya waktu, dan salah satu hal yang paling sering ditanyakan kepada para ekonom adalah “lalu apa yang terjadi selanjutnya?” adalah pertanyaannya. Dalam unit ini, kita akan menggunakan kecerdasan buatan untuk memahami konsep deret waktu, membuat kode model, dan menghasilkan perkiraan. Namun mari kita perjelas kerangka ini dari awal: Ramalan bukanlah ramalan, melainkan prediksi bersyarat dalam kondisi ketidakpastian, dan tanggung jawab berada di tangan ekonom. AI dapat menulis kode ARIMA kepada Anda dalam hitungan menit; Namun manusialah yang memutuskan apakah prediksi tersebut masuk akal atau tidak dan apakah prediksi tersebut akan runtuh jika terjadi kerusakan struktural.
Komponen deret waktu
Ada baiknya untuk memikirkan rangkaian ekonomi apa pun dengan membaginya menjadi empat bagian:
- Tren (tendensi). Arah jangka panjang; seperti jalur pertumbuhan ekonomi.
- Musiman. Pola yang berulang secara rutin sepanjang tahun; Pariwisata meningkat di musim panas, ritel meningkat di bulan Desember.
- Siklus (konjungtur). Lebih panjang dari musim, naik turun tidak teratur; periode ekspansi dan kontraksi.
- Tidak menentu / berisik. Fluktuasi acak yang tidak dapat dijelaskan.
Sebelum memperkirakan suatu deret, perlu dilakukan dekomposisi komponen-komponen tersebut. Karena melihat serial mentahnya dan mengatakan "jatuh" bisa menyesatkan: mungkin Anda hanya berada dalam kesulitan musiman.
Ada juga konsep stasioneritas: sifat statistik (rata-rata, varians) suatu rangkaian tidak berubah seiring waktu. Sebagian besar rangkaian ekonomi tidak stasioner (terus berkembang); Banyak model memerlukan pembedaan (pengurangan satu periode dari periode lainnya) atau stasionerisasi dengan logaritma sebelum dibuat. AI merekomendasikan langkah-langkah ini, tetapi mengetahui mengapa langkah-langkah tersebut diperlukan akan melindungi Anda.
Tip: Selalu buat plot dan dekomposisi rangkaian sebelum memprediksi. Perubahan struktural yang nyata (misalnya krisis atau reformasi mata uang) akan menipu bahkan model yang paling maju sekalipun. Bagan ini adalah alat diagnostik termurah.
Model: dari yang sederhana hingga yang rumit, tetapi yang pertama menjadi patokan
Aturan utama dalam peramalan deret waktu: selalu memulai dengan model benchmark sederhana. Ramalan paling sederhana adalah “ramalan naif”: hari esok akan sama dengan hari ini (atau naif musiman: bulan ini sama dengan bulan yang sama tahun lalu). Jika model yang kompleks tidak dapat mengalahkan prediksi naif ini, maka kompleksitas akan menjadi sia-sia.
Kemudian metode yang sering digunakan:
- ETS / Pemulusan eksponensial. Sebuah keluarga yang memperhalus level, tren, dan musiman dengan memberi bobot pada mereka.
- PANGGILAN. Model klasik yang menggabungkan komponen autoregresif (berdasarkan nilai masa lalu) dan rata-rata bergerak; SARIMA versi musiman.
- Model berbasis regresi/penjelasan. Menjelaskan suatu variabel dengan indikator lain (misalnya permintaan berdasarkan pendapatan dan harga).
AI dapat mengkodekan semua ini di statsmodels (perpustakaan Python). Tugas Anda adalah memilih dan memvalidasi model.
Backtest: tes prediksi
Tidak ada artinya jika suatu model "cocok" dengan data historis; Cukup fleksibel untuk disesuaikan dengan model apa pun (ini disebut overfitting). Pertanyaan sesungguhnya: seberapa baik model tersebut memprediksi periode-periode yang belum pernah terjadi? Untuk mengukurnya, Anda melakukan backtesting: Anda membagi data pada suatu tanggal, melatih model dengan bagian sebelumnya, membuat model memprediksi bagian selanjutnya "seolah-olah itu adalah masa depan" dan membandingkannya dengan kenyataan. Ukuran kesalahan (misalnya, MAE — mean absolute error, atau RMSE — root mean square error) memungkinkan Anda membandingkan model dengan benchmark.
Perhatian: Jangan latih model dengan data yang Anda evaluasi. Ukur keberhasilan prediksi hanya dalam periode yang tidak digunakan dalam pelatihan. Jika tidak, Anda akan menipu diri sendiri; Modelnya tampak bagus di atas kertas tetapi tidak berguna di dunia nyata.
Ketidakpastian: rentang, bukan perkiraan titik
Angka tunggal (“inflasi akan mencapai 24 persen pada akhir tahun ini”) memberikan kepastian yang salah. Perkiraan yang jujur mencakup rentang dan probabilitas: "pada kisaran 21-27 persen, skenario tengahnya adalah 24 persen". Ketidakpastian perkiraan dinyatakan dalam interval kepercayaan yang dihasilkan oleh model; namun ketidakpastian sebenarnya lebih besar dari ini, karena asumsi model mungkin juga salah. Keruntuhan struktural (perubahan kebijakan, guncangan eksternal) adalah risiko terbesar yang tidak dapat dilihat oleh model.
tiga kasus mini
Kasus 1 — Gagal mengalahkan tolok ukur. Seorang analis meminta AI membangun SARIMA yang kompleks untuk penjualan ritel bulanan. Sebagai perbandingan, kesalahan absolut rata-rata model lebih buruk daripada perkiraan naif musiman yang mengatakan "bulan ini sama dengan bulan yang sama tahun lalu". Analis meninggalkan model yang kompleks; Dia mengambil tebakan naif sebagai dasar dan menambahkan koreksi ahli. Kesederhanaan menang.
Kasus 2 — Kerusakan struktural. Sebuah institusi menggunakan model inflasi yang dilatih dengan data sebelum guncangan nilai tukar untuk periode pasca guncangan. Model ini sangat meremehkan inflasi karena mengasumsikan dinamika masa tenang di masa lalu. Pelajaran: model mengasumsikan dunia di mana ia dilatih; Ketika dunia berubah, prediksi tersebut runtuh. Jika ekonom melihat grafiknya, dia akan melihat jeda.
Kasus 3 — Kejujuran dalam jangkauan. Seorang ekonom menyajikan perkiraan pertumbuhan akhir tahunnya kepada manajemen bukan sebagai angka tunggal, namun sebagai "kisaran 3,0-4,2 persen, ini adalah asumsi yang mendasarinya." Pada akhir tahun, realisasinya sebesar 3,6 persen; Itu ada di band. Jika dia memberikan satu nomor saja, dia mungkin akan diberi label "salah"; rentang dan asumsi yang jujur dan kepercayaan yang terjaga.
Tabel pemilihan model
Status
awal yang tepat
catatan
Setiap tebakan
Tolok ukur naif/naif musiman
Basis untuk dikalahkan
Tren + musiman, datar
ETS (pemulusan eksponensial)
Mudah untuk menginstal dan berkomentar
Seri autokorelasi
(S)ARIMA
Perlu stabilisasi
Ada variabel penjelas
Berbasis regresi
Prediktor masa depan juga harus demikian
Kecurigaan adanya kerusakan struktural
Model + koreksi ahli
Model murni saja tidak cukup
Empat templat yang dapat disalin
1) Penguraian dan diagnosis:
Plot seri [seri] bulanan tersebut, lalu pisahkan menjadi komponen tren/musiman/sisa (statsmodels). Periksa apakah stasionernya (uji ADF) dan, jika perlu, jelaskan transformasi (log, perbedaan) mana yang Anda rekomendasikan. Tandai jika ada kerusakan struktural yang terlihat pada grafik.
2) Tolok ukur + perbandingan model:
Pertama, tetapkan prakiraan tolok ukur naif musiman untuk rangkaian ini. Kemudian atur ETS dan SARIMA. Bandingkan ketiganya berdasarkan MAE dan RMSE dengan backtest (pengujian 12 bulan terakhir). Tabulasikan hasilnya dan nyatakan dengan jelas model mana yang mengalahkan tolok ukur.
3) Kisaran perkiraan dan ketidakpastian:
Perkiraan 6 periode berikutnya untuk model yang saya pilih dan berikan interval kepercayaan 80%/95%. Sajikan perkiraan sebagai rentang, bukan sebagai angka tunggal. Perjelas bahwa kisaran ini HANYA mencakup ketidakpastian model, bukan risiko kerusakan struktural/guncangan eksternal.
4) Pembacaan tes balik:
Tafsirkan hasil backtest ini [tabel]. Apakah model tersebut benar-benar mengalahkan tolok ukurnya, atau apakah perbedaannya tidak signifikan secara statistik? Nyatakan pada periode mana model Anda melakukan kesalahan paling banyak dan pertanyakan kemungkinan alasan ekonomi yang menyebabkan hal ini (krisis, perubahan musim).
Perintah lemah / Perintah kuat
Perintah yang lemah:
Tebak seri ini.
Kecerdasan buatan membangun model acak, tidak melakukan backtest, memberikan angka ganjil; Anda tidak tahu apakah modelnya berfungsi atau tidak.
Perintah yang kuat:
Pertama, dekomposisi seri inflasi bulanan saat ini dan cari jedanya. Backtest ETS dan SARIMA dalam 12 bulan terakhir terhadap benchmark naif musiman, bandingkan dengan MAE. Pilih model yang mengalahkan tolok ukur, berikan perkiraan 6 bulan ke depan, dan berikan kisaran 80%. Tuliskan risiko kerusakan struktural sebagai peringatan terpisah. Tampilkan kode untuk setiap langkah dan nomor ringkasan yang dapat saya verifikasi secara manual.
Kesalahan umum
- Melompat ke model yang kompleks tanpa menetapkan tolok ukur. Kompleksitas tidak sama dengan kesuksesan.
- Mengevaluasi model pada data yang dilatihnya. Salah mengira kepatuhan yang berlebihan sebagai kesuksesan.
- Memberikan perkiraan satu titik. Kepastian yang salah; rentang dan asumsi yang diperlukan.
- Mengabaikan kerusakan struktural. Secara membabi buta membawa dinamika masa lalu ke masa depan.
- Melewatkan stabilisasi. Hubungan palsu dan prediksi yang menyimpang.
- Menyajikan prediksi sebagai ramalan. Menyembunyikan ketidakpastian dan tanggung jawab.
Singkatnya
Peramalan deret waktu dilakukan dengan memisahkan suatu deret menjadi komponen-komponennya, menjadikannya stasioner, menetapkan patokan sederhana, membandingkan model dengan melakukan backtesting, dan menyajikan hasilnya secara jujur dengan rentang ketidakpastian. Kecerdasan buatan dengan cepat menghasilkan kode untuk semua langkah ini; Namun tanggung jawab untuk pemilihan model, penilaian kerusakan struktural dan peramalan terletak pada ekonom. Ramalan bukanlah ramalan, melainkan ramalan yang bersyarat dan tidak pasti.
Tugas aplikasi
Pilih seri ekonomi bulanan (misalnya indeks produksi industri). Pisahkan dan pindai breakout dengan templat pertama, uji ulang ETS/SARIMA terhadap tolok ukur naif musiman dengan templat kedua, hasilkan perkiraan rentang 6 bulan ke depan dengan templat ketiga. Perhatikan apakah model Anda benar-benar mengalahkan tolok ukur dan tandai setiap kerusakan struktural yang Anda lihat.
daftar periksa
- [ ] Saya merencanakan serial ini dan mendiagnosisnya berdasarkan tren/musiman/jeda.
- [ ] Saya telah menerapkan stasionerisasi (log/perbedaan) jika perlu dan saya tahu alasannya.
- [ ] Saya menyiapkan tolok ukur sederhana dan membandingkan model kompleks dengan tolok ukur tersebut.
- [ ] Saya mengevaluasi model hanya selama periode tidak dalam pelatihan (backtest).
- [ ] Saya menyajikan perkiraan dengan rentang ketidakpastian, bukan angka tunggal.
- [ ] Saya menyebutkan risiko kerusakan struktural/guncangan eksternal sebagai peringatan terpisah.
- [ ] Saya menegaskan bahwa tanggung jawab atas prediksi dan penilaian akhir ada pada saya.