Guadagni:
- Capacità di comprendere i concetti di tendenza, stagionalità, stazionarietà e radice unitaria e di utilizzare l'intelligenza artificiale con dati accurati per la modellazione e la previsione di serie temporali.
- Capacità di interpretare modelli ARIMA/stagionali e prevedere l'incertezza (intervallo di confidenza, analisi residua) ed evitare regressioni spurie
- Essere in grado di distinguere che la previsione dell’intelligenza artificiale si basa su modelli passati e che il giudizio degli esperti viene alla ribalta in periodi di rottura e crisi strutturali.
Gran parte dei dati che costituiscono il pane quotidiano di economisti e analisti finanziari sono serie temporali: valori della stessa variabile misurati a intervalli regolari nel tempo (inflazione mensile, prezzo giornaliero delle azioni, PIL trimestrale). Le serie temporali differiscono fondamentalmente dai normali dati trasversali perché le osservazioni non sono indipendenti: il valore di oggi dipende da ieri. Questa dipendenza è sia un’opportunità (possiamo prevedere il futuro) che un pericolo (la regressione ordinaria qui è facilmente fuorviante). In questa unità vedremo come l'intelligenza artificiale (AI) sta accelerando la modellazione e la previsione delle serie temporali, ma perché la trappola più pericolosa, ovvero la regressione spuria, richiede attenzione.
Concetti di base
Una serie temporale contiene generalmente tre componenti: tendenza (tendenza al rialzo/al ribasso a lungo termine), stagionalità (modello regolare che si ripete durante tutto l'anno, ad esempio aumento del turismo in estate) e ciclo/rumore (volatilità residua). Prima della modellazione, la caratteristica più critica della serie è la stazionarietà.
Una serie stazionaria è una serie le cui proprietà statistiche (media, varianza) rimangono costanti nel tempo. Una serie non stazionaria contiene una tendenza, la sua varianza cresce o ha una radice unitaria. Una radice unitaria è una struttura in cui la serie "ricorda" permanentemente gli shock e non ritorna alla sua media; Una serie di questo tipo si comporta come una passeggiata casuale. Perché è importante? Poiché la regressione tra due serie non stazionarie può produrre coefficienti R quadrati elevati e significativi anche se nella realtà non esiste alcuna relazione, questa è chiamata regressione spuria. Solo l'andamento comune fa apparire le due serie “correlate”.
Attenzione: due serie in aumento (ad esempio la popolazione di un paese e le vendite di gelati di un altro paese) possono essere altamente correlate; poiché entrambi aumentano nel tempo. Questa non è una relazione, ma l'illusione di una tendenza comune. Assicurati di controllare la stazionarietà prima di iniziare la regressione nella serie temporale.
Flusso di lavoro dettagliato delle serie temporali
1. Visualizza. Traccia la serie: c'è una tendenza, c'è stagionalità, la varianza cambia nel tempo, c'è una rottura strutturale (improvviso cambiamento di livello)?
2. Testare la stazionarietà. Test ADF (Augmented Dickey-Fuller) e test KPSS test di root/stazionarietà dell'unità. I due si completano a vicenda: in ADF l'ipotesi nulla è "c'è una radice unitaria", in KPSS è "stazionaria". È più sicuro usarli entrambi insieme.
3. Stagnare. Se la serie non è stazionaria, solitamente è differenziata (la differenza di osservazioni successive; ciò rimuove la tendenza). La differenziazione una volta rende stazionaria una serie "integrata del primo ordine" (I (1)). La trasformazione dei log aiuta anche se la varianza è in crescita.
4. Costruisci un modello. Il quadro più comune è ARIMA (AutoRegressive Integrated Moving Average): combina le componenti AR (dipendenza della serie dai propri valori passati), I (grado di differenziazione), MA (effetto degli errori passati). Se c'è stagionalità, viene utilizzata SARIMA. L'intelligenza artificiale genera codice per strumenti di selezione automatica come auto.arima; Ma non accettare ciecamente la selezione automatica.
5. Controlla gli avanzi. I residui di un buon modello dovrebbero essere rumore bianco: nessun modello, nessuna autocorrelazione. Il test Ljung-Box lo verifica. Se nei residui è ancora presente uno schema, il modello è incompleto.
6. Prevedere e mostrare l'incertezza. La previsione non è una sola riga; sempre fornito con un intervallo di confidenza/stima. La gamma si allarga man mano che l’orizzonte si allunga: questo è un segno di onestà, non di difetto.
Cointegrazione: relazione reale con serie non stazionarie
Due serie non stazionarie non sempre danno relazioni spurie. Se esiste un reale equilibrio di lungo periodo tra di loro (si muovono insieme), questo si chiama cointegrazione e può essere modellato con il modello di correzione degli errori (ECM). Quindi la soluzione non è "differenziare e buttare via l'informazione"; è testare prima la cointegrazione. Questa distinzione distingue la regressione spuria dalla vera correlazione a lungo termine ed è una considerazione teorica su cui l’intelligenza artificiale non può decidere da sola.
grafico di confronto
Stato
sintomo
giusto approccio
serie stazionarie
Media/varianza costante
ARCO diretto
Con andamento (radice unitaria)
Aumento continuo, l'ADF non ha senso
Differenza, quindi modello
Due serie non stazionarie
Un R² elevato potrebbe essere falso
Innanzitutto, test di cointegrazione
stagionale
Schema ripetuto annuale
SARIMA / differenza stagionale
rottura strutturale
Improvviso cambiamento di livello/pendenza
Prova di rottura, giudizio esperto
Quattro istruzioni copiabili
1. Diagnosi di stazionarietà:
Il tuo ruolo: assistente alle serie temporali. Voglio il codice R, non condivido i dati. 'serie' è una serie temporale mensile (oggetto ts). Compito: (1) disegnare i grafici delle serie e dell'autocorrelazione (ACF/PACF), (2) applicare i test ADF e KPSS, (3) spiegare come interpretare insieme i risultati. Prenderò la decisione di fare la differenza; Produci una diagnosi.
2. Costruzione del modello (supervisionata):
La mia serie appare stazionaria alla prima differenza. Proponi un modello con auto.arima ma: (1) spiega gli ordini selezionati (p, d, q) e PERCHÉ sono stati scelti, (2) aggiungi codice per verificare se i residui sono rumore bianco con Ljung-Box, (3) ricordami di non accettare ciecamente la selezione automatica.
3. Avviso di regressione falsa:
Voglio impostare la regressione tra le mie due serie temporali (X, Y), ma entrambe sono prive di trend. Scrivere un codice di flusso di lavoro che controlli il rischio di regressione spuria: prima testare la stazionarietà di entrambi, quindi applicare un test di cointegrazione (Engle-Granger o Johansen). Prima di eseguire direttamente lm(), fermami e spiegami perché è pericoloso.
4. Previsione e incertezza:
Scrivi un codice che produca una previsione futura a 12 mesi con il modello ARIMA che ho creato; Traccia la stima con i suoi intervalli di confidenza dell'80% e del 95%. Aggiungi una nota sotto il grafico che la previsione si basa su modelli passati e potrebbe non essere più valida in caso di rottura/crisi strutturale.
Prompt debole / Prompt forte
Suggerimento debole:
Trova la relazione di queste due serie con la regressione e prevedi l'anno successivo.
Questa affermazione è un invito alla falsa trappola della regressione: se la regressione viene impostata senza verificare la stazionarietà, emergono una "relazione" con R quadrato elevato ma priva di significato e una stima ingiustificata.
Suggerimento potente:
Il tuo ruolo: attento assistente alle serie temporali. Procedi passo dopo passo: (1) verifica la stazionarietà sia delle serie che del report, (2) se non sono stazionarie, NON eseguire la regressione diretta, testa prima la cointegrazione, (3) se produci una previsione, assicurati di aggiungere un intervallo di confidenza e scrivere un avviso di rottura strutturale. Lascia a me la decisione ad ogni passo; avanzamento automatico.
Differenza: la forte domanda richiede stazionarietà e cointegrazione prima della regressione, presentando la stima con incertezza.
tre mini custodie
Caso 1 — Regressione spuria. Un analista ha trovato R²=0,91, p<0,001 tra due serie crescenti (fatturato di un settore e consumo energetico di un altro paese) e ha scritto "relazione forte". Quando il suo consulente chiese il test di stazionarietà, si vide che entrambi avevano radici unitarie, e quando furono prese in considerazione le loro differenze, la relazione (r = 0,04) scomparve completamente. L’alto R quadrato era semplicemente un’illusione di tendenza comune. Lezione: la regressione delle serie temporali non è affidabile senza test di stazionarietà.
Caso 2 – Fiducia cieca nel modello automatico. Uno studente ha utilizzato il modello scelto da auto.arima senza esaminarlo; non notava più una stagionalità significativa rimasta nella sua analisi. Il modello sottostima sistematicamente i mesi estivi. Il test Ljung-Box ha mostrato autocorrelazione nei residui. Modo corretto: era aggiungere la componente stagionale (SARIMA). Lezione: la selezione automatica è l'inizio, non l'ultima parola; I residui devono essere controllati.
Caso 3 – Crollo previsto al momento della rottura strutturale. Un modello prevedeva la domanda del 2020 con i dati del 2019; l'intervallo di confidenza era ristretto, la stima era fiduciosa. Il grande shock (pandemia) del 2020 ha completamente mandato all’aria la previsione perché il modello conosceva solo il modello passato. Lezione: la previsione delle serie temporali presuppone che il passato sarà simile al futuro; In tempi di crisi/crollo, il giudizio degli esperti viene in primo piano.
Errori comuni
- Stabilire la regressione senza verificare la stazionarietà. La regressione spuria produce una relazione R-quadrata elevata ma insignificante; Applicare prima ADF/KPSS.
- Differenziare e saltare la cointegrazione. Se esiste una vera relazione a lungo termine, prendere ciecamente la differenza butta via le informazioni; Testare prima la cointegrazione.
- Utilizzo del modello automatico senza verificarlo. auto.arima è un buon inizio ma inaffidabile senza controllare i residui (Ljung-Box).
- Presentare il preventivo come un'unica riga. La stima senza un intervallo di confidenza crea falsa precisione; Mostra sempre incertezza.
- Ignorando la rottura strutturale. La crisi/il cambio di regime sconvolge il modello passato; Il modello non può saperlo, è necessario il giudizio di un esperto.
Suggerimento: prima di scrivere i risultati di una serie temporale, osserva nuovamente il grafico grezzo della serie. Una tendenza o una rottura chiara che vedi con i tuoi occhi è l'avvertimento più forte che nessun test dovrebbe farti dimenticare.
In sintesi
Nell'analisi delle serie temporali, le osservazioni non sono indipendenti; Ciò conferisce potere predittivo e crea insidie come la regressione spuria. Testare la stazionarietà (ADF/KPSS) prima della modellazione; testare la cointegrazione piuttosto che stabilire direttamente la regressione tra serie non stazionarie; Controllare i residui del modello ARIMA/SARIMA fino alla comparsa del rumore bianco; Presentare sempre la stima con un intervallo di confidenza. L’intelligenza artificiale genera il codice per tutti questi passaggi, ma l’esperto controlla la selezione automatica del modello, la decisione di cointegrazione e l’interpretazione della rottura strutturale. La previsione si basa sul passato; In tempi di crisi, il giudizio umano ha l’ultima parola.
Compito dell'applicazione
Scegli una serie temporale (mensile o trimestrale). Prima dell'intelligenza artificiale, richiedere ed eseguire la diagnostica della stazionarietà (grafico, ACF/PACF, ADF, KPSS) e classificare le serie come stazionarie/non stazionarie. Differenziare se necessario, impostare un modello ARIMA/SARIMA e controllare i residui con la Ljung-Box. Produrre una previsione futura per un periodo di 6-12 anni e tracciarla con un intervallo di confidenza. Infine, considera in un paragrafo come la tua previsione potrebbe essere sbagliata se si verificasse una rottura strutturale nei tuoi dati.
lista di controllo
- [ ] Ho tracciato la serie ed esaminato visivamente le tendenze, la stagionalità e le interruzioni.
- [ ] Ho testato la stazionarietà con ADF e KPSS; Ho ottenuto la differenza richiesta.
- [ ] Ho evitato la regressione diretta e testato la cointegrazione tra serie non stazionarie.
- [ ] Ho controllato i residui del modello (Ljung-Box) e ho confermato che si trattava di rumore bianco.
- [ ] Ho presentato la stima con intervallo di confidenza; Non l'ho dato come una sola riga.
- [ ] Ho notato i limiti della previsione in caso di rottura/crisi strutturale.