Guadagni:
- Comprendere concetti di serie temporali come trend, stagionalità, ciclo e stazionarietà con il supporto dell'intelligenza artificiale ed essere in grado di analizzare correttamente una serie
- Capacità di installare ARIMA, ETS e semplici modelli di benchmark nell'intelligenza artificiale come codice, produrre previsioni e valutarle con backtesting
- Essere in grado di comprendere la fragilità della previsione di fronte all’intervallo di incertezza, al limite del modello e alla rottura strutturale, e di sostenere che la responsabilità della previsione rimane dell’economista.
Il linguaggio dell’economia è il tempo. Inflazione, crescita, disoccupazione, tassi di cambio: sono tutte serie che scorrono nel tempo, e una delle cose che viene posta più spesso all'economista è "quindi cosa succede dopo?" è la domanda. In questa unità utilizzeremo l'intelligenza artificiale per comprendere i concetti di serie temporali, creare codice modello e produrre previsioni. Ma chiariamo il quadro fin dall'inizio: una previsione non è una profezia, ma una previsione condizionata in condizioni di incertezza, e la responsabilità spetta all'economista. L'intelligenza artificiale può scriverti il codice ARIMA in pochi minuti; Ma è l’essere umano che decide se tale previsione è ragionevole o meno e se crollerà di fronte a una rottura strutturale.
Componenti di una serie storica
È utile pensare a qualsiasi serie economica suddividendola in quattro parti:
- Tendenza (tendenza). Direzione a lungo termine; come il percorso di crescita dell’economia.
- Stagionalità. Schema che si ripete regolarmente durante tutto l'anno; Il turismo aumenta in estate, il commercio al dettaglio aumenta a dicembre.
- Ciclo (congiuntura). Più lungo della stagione, alti e bassi irregolari; periodi di espansione e contrazione.
- Irregolare/rumore. Fluttuazione casuale e inspiegabile.
Prima di stimare una serie è necessario scomporre queste componenti. Perché guardare la serie grezza e dire "sta cadendo" può essere fuorviante: forse sei solo in un periodo di depressione stagionale.
Esiste anche il concetto di stazionarietà: le proprietà statistiche (media, varianza) di una serie non cambiano nel tempo. La maggior parte delle serie economiche non sono stazionarie (in costante crescita); Molti modelli richiedono la differenziazione (sottrazione di un periodo da un altro) o la stazionarizzazione con i logaritmi prima della costruzione. L’intelligenza artificiale consiglia questi passaggi, ma sapere perché sono necessari ti protegge.
Suggerimento: tracciare e scomporre sempre la serie prima di fare una previsione. Un’apparente rottura strutturale (ad esempio una crisi o una riforma valutaria) ingannerebbe anche il modello più avanzato. Il grafico è lo strumento diagnostico più economico.
Modelli: dal semplice al complesso, ma prima il punto di riferimento
La regola d'oro nella previsione delle serie temporali: iniziare sempre con un semplice modello di riferimento. La previsione più semplice è la “previsione ingenua”: domani sarà uguale a oggi (o ingenua stagionale: questo mese equivale allo stesso mese dell’anno scorso). Se un modello complesso non riesce a superare questa ingenua previsione, la complessità è inutile.
Quindi metodi usati frequentemente:
- ETS/livellamento esponenziale. Una famiglia che addolcisce livello, tendenza e stagionalità appesantendoli.
- CHIAMANDO. Il modello classico che combina componenti autoregressivi (basati sui valori passati) e medie mobili; versione stagionale SARIMA.
- Modelli basati sulla regressione/esplicativi. Spiegare una variabile con altri indicatori (ad esempio la domanda in base al reddito e al prezzo).
L'intelligenza artificiale può codificare tutti questi in statsmodels (libreria Python). Il tuo compito è selezionare e convalidare i modelli.
Backtest: test di previsione
Non significa nulla se un modello "si adatta bene" ai dati storici; Abbastanza flessibile da adattarsi a qualsiasi modello (questo si chiama overfitting). La vera domanda: quanto bene il modello prevede periodi che non ha visto? Per misurarlo, si esegue il backtesting: si dividono i dati in una data, si addestra il modello con la parte precedente, si fa prevedere la parte successiva "come se fosse il futuro" e si confronta con la realtà. Le misure di errore (ad esempio MAE – errore medio assoluto o RMSE – errore quadratico medio) consentono di confrontare il modello con il benchmark.
Attenzione: non addestrare il modello con i dati valutati. Misurare il successo della previsione solo nei periodi non utilizzati nell'allenamento. Altrimenti ingannerai te stesso; Il modello risulta ottimo sulla carta ma inutile nella realtà.
Incertezza: intervallo, non stima puntuale
Un solo numero (“l’inflazione sarà al 24% entro la fine dell’anno”) trasuda false certezze. La stima onesta include un intervallo e una probabilità: "nella fascia compresa tra il 21 e il 27%, lo scenario centrale è del 24%". L'incertezza della previsione è espressa negli intervalli di confidenza prodotti dal modello; ma l’incertezza reale è maggiore, perché anche le ipotesi del modello potrebbero essere errate. La rottura strutturale (cambiamento di politica, shock esterno) è il rischio più grande che il modello non può vedere.
tre mini custodie
Caso 1: incapacità di superare il benchmark. Un analista ha chiesto all'intelligenza artificiale di costruire un SARIMA complesso per le vendite al dettaglio mensili. Nel backtest, l’errore medio assoluto del modello era peggiore della previsione stagionale ingenua che diceva “questo mese è uguale allo stesso mese dell’anno scorso”. L'analista abbandona il modello complesso; Ha preso come base l'ipotesi ingenua e ha aggiunto una correzione da parte di un esperto. La semplicità vince.
Caso 2 – Rottura strutturale. Un’istituzione ha utilizzato il modello di inflazione addestrato con i dati prima dello shock del tasso di cambio per il periodo successivo allo shock. Il modello sottostimava gravemente l’inflazione perché assumeva le dinamiche del passato periodo di calma. Lezione: il modello presuppone il mondo in cui viene formato; Quando il mondo cambia, la previsione crolla. Se l’economista guardasse il grafico, vedrebbe la rottura.
Caso 3 — Onestà della gamma. Un economista ha presentato al management le sue previsioni di crescita per la fine dell'anno non come una cifra singola, ma come "una fascia del 3,0-4,2%, queste sono le ipotesi di base". A fine anno il realizzo ammontava al 3,6%; Era nella band. Se avesse fornito un solo numero, avrebbe potuto essere etichettato come "sbagliato"; la gamma e le ipotesi erano oneste e mantenevano la fiducia.
Tabella di selezione del modello
Stato
inizio corretto
nota
Ogni supposizione
Punto di riferimento ingenuo/stagionale ingenuo
La base da battere
Tendenza + stagionalità, piatta
ETS (livellamento esponenziale)
Facile da installare e commentare
Serie autocorrelate
(S)ARIMA
Ha bisogno di stabilizzazione
C'è una variabile esplicativa
Basato sulla regressione
Anche i predittori del futuro devono farlo
Sospetto di rottura strutturale
Modello + correzione esperta
Il modello puro non è sufficiente
Quattro modelli copiabili
1) Analisi e diagnosi:
Traccia la serie mensile [serie], quindi separala in trend/stagionalità/componenti residui (modelli statistici). Controlla se è fermo (test ADF) e, se necessario, spiega quale trasformazione (log, differenza) consigli. Segna se c'è una rottura strutturale visibile nel grafico.
2) Benchmark + confronto tra modelli:
Per prima cosa stabilisci una previsione di riferimento stagionale ingenua per questa serie. Quindi impostare un ETS e un SARIMA. Confrontali tutti e tre in base a MAE e RMSE con un backtest (test degli ultimi 12 mesi). Tabulare i risultati e indicare chiaramente quale modello supera il benchmark.
3) Stima e intervallo di incertezza:
Prevedi i prossimi 6 periodi per il modello che ho scelto e fornisci intervalli di confidenza dell'80%/95%. Presenta la stima come un intervallo, non come un singolo numero. Chiarire che questo intervallo copre SOLO l’incertezza del modello, non il rischio di rottura strutturale/shock esterno.
4) Lettura del backtest:
Interpretare questi risultati del backtest [tabella]. Il modello supera effettivamente il benchmark o la differenza è statisticamente insignificante? Indica in quali periodi il tuo modello ha commesso più errori e chiediti la possibile ragione economica di ciò (crisi, cambio stagionale).
Prompt debole / Prompt forte
Suggerimento debole:
Indovina questa serie.
L'intelligenza artificiale costruisce un modello casuale, non effettua test retrospettivi, fornisce un numero dispari; Non sai se il modello funziona o no.
Suggerimento potente:
Per prima cosa scomponi la serie attuale dell’inflazione mensile e cerca le interruzioni. Backtest ETS e SARIMA negli ultimi 12 mesi rispetto a un benchmark naive stagionale, confrontato con MAE. Scegli il modello che supera il benchmark, fornisci una previsione a 6 mesi e imposta un intervallo dell'80%. Scrivere il rischio di rottura strutturale come avvertenza separata. Mostra il codice per ogni passaggio e i numeri di riepilogo che posso verificare manualmente.
Errori comuni
- Passare a un modello complesso senza impostare parametri di riferimento. La complessità non equivale al successo.
- Valutazione del modello in base ai dati su cui è stato addestrato. Confondere l’eccessiva compliance con il successo.
- Fornire una stima puntuale. Falsa certezza; intervallo e ipotesi richiesti.
- Ignorando la rottura strutturale. Trasportando ciecamente la dinamica del passato nel futuro.
- Saltare la stabilizzazione. Relazioni false e previsioni distorte.
- Presentare la previsione come una profezia. Nascondere incertezza e responsabilità.
In sintesi
La previsione delle serie temporali viene effettuata separando una serie nei suoi componenti, rendendola stazionaria, stabilendo un semplice punto di riferimento, confrontando i modelli mediante test retrospettivi e presentando il risultato onestamente con l'intervallo di incertezza. L'intelligenza artificiale genera rapidamente il codice per tutti questi passaggi; Ma la responsabilità della selezione del modello, del giudizio sulla rottura strutturale e della previsione spetta all’economista. Una previsione non è una profezia, ma una previsione condizionale e incerta.
Compito dell'applicazione
Scegli una serie economica mensile (ad esempio indice di produzione industriale). Separare ed eseguire la scansione dei breakout con il 1° modello, eseguire il backtest di ETS/SARIMA rispetto al benchmark naïve stagionale con il 2° modello, produrre una previsione dell'intervallo forward a 6 mesi con il 3° modello. Nota se il tuo modello supera effettivamente il benchmark e segnala eventuali interruzioni strutturali che vedi.
lista di controllo
- [ ] Ho tracciato la serie e l'ho diagnosticata in termini di tendenza/stagionalità/interruzione.
- [ ] Ho applicato la stazionarizzazione (log/differenza) se necessario e conosco il motivo.
- [ ] Ho impostato un semplice benchmark e ho confrontato il modello complesso con esso.
- [ ] Ho valutato il modello solo durante i periodi in cui non era in training (backtest).
- [ ] Ho presentato la stima con un intervallo di incertezza, non con un singolo numero.
- [ ] Ho menzionato il rischio di rottura strutturale/shock esterno come avvertimento separato.
- [ ] Ho sostenuto che la responsabilità della previsione e del giudizio finale ricade su di me.