利益:
- 人工知能のサポートにより傾向、季節性、サイクル、定常性などの時系列の概念を理解し、時系列を正しく解析できるようになります。
- ARIMA、ETS、および単純なベンチマーク モデルをコードとして人工知能にインストールし、予測を生成し、バックテストで評価する機能
- 不確実性の範囲、モデルの限界、構造的破綻に直面した場合の予測の脆弱性を理解し、予測に対する責任はエコノミストにあると主張できること。
経済学の言語は時間です。インフレ、成長、失業、為替レート - それらはすべて時間の経過とともに変化する系列であり、経済学者が最も頻繁に尋ねられることの 1 つは、「それで、次に何が起こるのですか?」というものです。という質問です。この単元では、人工知能を使用して時系列の概念を理解し、モデル コードを構築し、予測を生成します。しかし、最初から枠組みを明確にしておきましょう。予測は予言ではなく、不確実性の下での条件付き予測であり、責任は経済学者にあります。 AI は数分で ARIMA コードを作成できます。しかし、その予測が合理的かどうか、また構造的破綻に直面して崩壊するかどうかを決めるのは人間です。
時系列の構成要素
経済系列を 4 つの部分に分類すると、経済系列を考えるのに役立ちます。
- トレンド（傾向）。長期的な方向性。経済の成長軌道など。
- 季節性。年間を通じて定期的に繰り返されるパターン。夏には観光客が増加し、12月には小売りが増加します。
- サイクル（結合）。季節よりも長く、不規則な浮き沈み。拡大と縮小の時期。
- 不安定/ノイズ。説明できない、ランダムな変動。
系列を推定する前に、これらの成分を分解する必要があります。なぜなら、生のシリーズを見て「下落している」と言うのは誤解を招く可能性があるからです。おそらくあなたは季節の谷にいるだけかもしれません。
定常性の概念もあります。つまり、系列の統計的特性 (平均、分散) は時間の経過とともに変化しません。ほとんどの経済系列は静止しているわけではありません (継続的に成長しています)。多くのモデルでは、構築する前に差分 (ある期間を別の期間から減算する) または対数による定常化が必要です。 AI はこれらの手順を推奨しますが、なぜそれが必要なのかを知ることで、あなたを守ることができます。
ヒント: 予測する前に、必ず系列をプロットして分解してください。明らかな構造的破綻（危機や通貨改革など）は、最も先進的なモデルでも騙されてしまいます。チャートは最も安価な診断ツールです。
モデル: 単純なものから複雑なものまで、まずはベンチマークから
時系列予測の黄金律: 常に単純なベンチマーク モデルから開始します。最も単純な予測は「単純な予測」です。つまり、明日は今日と同じになります (または季節的な単純な予測: 今月は去年の同じ月と同じになります)。複雑なモデルがこの素朴な予測に勝てない場合、複雑さは無駄です。
次に、よく使用される方法:
- ETS / 指数平滑化。レベル、トレンド、季節性を重み付けして緩和するファミリー。
- 呼んでいます。自己回帰 (過去の値に基づく) コンポーネントと移動平均コンポーネントを組み合わせた古典的なモデル。季節限定バージョンのSARIMA。
- 回帰ベース/説明モデル。他の指標を使用して変数を説明する (例: 収入や価格による需要)。
AI はこれらすべてを statsmodels (Python ライブラリ) でコーディングできます。あなたの仕事は、モデルを選択して検証することです。
バックテスト: 予測のテスト
モデルが過去のデータに「うまく適合」しても意味はありません。あらゆるモデルに適合するのに十分な柔軟性があります (これをオーバーフィッティングと呼びます)。本当の疑問は、モデルはまだ見られていない期間をどの程度正確に予測するのかということです。これを測定するには、バックテストを行います。データを特定の日付で分割し、前の部分でモデルをトレーニングし、次の部分を「未来であるかのように」予測させ、現実と比較します。誤差測定値 (MAE - 平均絶対誤差、RMSE - 二乗平均平方根誤差など) を使用すると、モデルをベンチマークと比較できます。
注意: 評価したデータを使用してモデルをトレーニングしないでください。トレーニングで使用されていない期間のみ、予測の成功を測定します。そうでないと、あなたは自分自身を欺くことになります。このモデルは机上では素晴らしいものですが、実際には役に立ちません。
不確実性: 点推定ではなく範囲
単一の数字（「インフレ率は年末までに 24 パーセントになる」）だけでは、誤った確信がにじみ出ています。正直な推定値には範囲と確率が含まれています。「21 ～ 27 パーセントの範囲では、中心シナリオは 24 パーセントです」。予測の不確実性は、モデルによって生成される信頼区間で表されます。しかし、モデルの仮定も間違っている可能性があるため、実際の不確実性はこれよりも大きくなります。構造的破綻（政策変更、外部ショック）は、モデルでは見えない最大のリスクです。
ミニケース3個
ケース 1 — ベンチマークを上回ることができない。アナリストは AI に月次小売売上高用の複雑な SARIMA を構築させました。バックテストでは、モデルの平均絶対誤差は、「今月は前年の同月と同じである」という季節性の単純な予測よりも悪かった。アナリストは複雑なモデルを放棄しました。彼はその素朴な推測を基礎として、専門家による修正を加えました。シンプルさが勝ります。
ケース 2 — 構造上の破損。ある機関は、為替レートショック前のデータでトレーニングしたインフレモデルをショック後の期間に使用しました。このモデルは過去の平穏期の力学を想定していたため、インフレを大幅に過小評価していました。教訓: モデルはトレーニングされる世界を想定しています。世界が変わるとき、予測は崩れます。経済学者がグラフを見れば、その変化に気づくでしょう。
ケース 3 — 範囲の誠実さ。あるエコノミストは、年末の成長率見通しを単一の数字ではなく、「3.0～4.2％の幅、これらが基礎的な前提である」として経営陣に提示した。年末時点の実現率は 3.6% でした。それはバンドの中にありました。もし彼が単一の数字を与えていたら、彼は「間違っている」というレッテルを貼られたかもしれません。範囲と仮定はいずれも正直であり、信頼が維持されていました。
機種選定表
ステータス
適切なスタート
メモ
あらゆる推測
ナイーブ / 季節的ナイーブ ベンチマーク
倒すベース
トレンド + 季節性、横ばい
ETS (指数平滑化)
インストールもコメントも簡単
自己相関系列
(S)有馬
安定化が必要
説明変数があります
回帰ベース
未来を予測する人は、次のことも行う必要があります。
構造破壊の疑い
モデル + エキスパート修正
純正モデルだけでは物足りない
コピー可能な 4 つのテンプレート
1) 解析と診断:
その月次系列 [series] をプロットし、それを傾向/季節性/残差成分 (統計モデル) に分割します。静止しているかどうかを確認し (ADF テスト)、必要に応じて、推奨する変換 (対数、差分) を説明します。チャート内に目に見える構造上の欠陥があるかどうかをマークします。
2) ベンチマーク + モデルの比較:
まず、このシリーズの季節的な単純ベンチマーク予測を確立します。次に、ETS と SARIMA をセットアップします。バックテスト (過去 12 か月のテスト) を使用して、MAE と RMSE に基づいて 3 つすべてを比較します。結果を表にして、どのモデルがベンチマークを上回ったかを明確に示します。
3) 推定値と不確実性の範囲:
私が選択したモデルの次の 6 期間を予測し、80%/95% の信頼区間を与えます。推定値は単一の数値ではなく範囲として表示されます。この範囲はモデルの不確実性のみをカバーしており、構造破損や外部衝撃のリスクはカバーしていないことを明確にしてください。
4) バックテストの測定値:
これらのバックテスト結果を解釈してください[表]。モデルは実際にベンチマークを上回っていますか、それともその差は統計的に有意ではありませんか?モデルが最も多くの間違いを犯した期間を述べ、その考えられる経済的理由 (危機、季節変動) を質問します。
弱いプロンプト / 強いプロンプト
弱いプロンプト:
このシリーズを推測してください。
人工知能はランダムなモデルを構築し、バックテストを行わず、奇数を与えます。モデルが機能するかどうかはわかりません。
強力なプロンプト:
まず、現在の月次インフレ系列を分解し、休憩をスキャンします。過去 12 か月の ETS と SARIMA を季節性のナイーブ ベンチマークに対してバックテストし、MAE と比較します。ベンチマークを上回るモデルを選択し、6 か月先の予測を示し、80% の範囲を設定します。構造破損のリスクを別の警告として記載します。各ステップのコードと手動で確認できる要約番号を表示します。
よくある間違い
- ベンチマークを設定せずに複雑なモデルに飛び込む。複雑さは成功とは限りません。
- トレーニングに使用したデータに基づいてモデルを評価します。過剰なコンプライアンスを成功と勘違いする。
- 単一点の見積もりを提供します。誤った確実性。範囲と仮定が必要です。
- 構造上の破壊を無視します。過去の力学を盲目的に未来に持ち込む。
- 安定化をスキップします。偽りの関係と歪んだ予測。
- 予言を予言として伝える。不安と責任を隠します。
要約すると
時系列予測は、系列をコンポーネントに分割し、定常化し、単純なベンチマークを確立し、バックテストによってモデルを比較し、結果を不確実性の範囲で正直に表示することによって行われます。人工知能はこれらすべてのステップのコードを迅速に生成します。しかし、モデルの選択、構造的破綻の判断、予測の責任は経済学者にある。予測は預言ではなく、条件付きで不確実な予測です。
アプリケーションタスク
月次の経済系列 (鉱工業生産指数など) を選択します。 1 番目のテンプレートでブレイクアウトを分離してスキャンし、2 番目のテンプレートで季節のナイーブ ベンチマークに対して ETS/SARIMA をバックテストし、3 番目のテンプレートで 6 か月のフォワード レンジ予測を生成します。モデルが実際にベンチマークを上回っているかどうかに注目し、構造上の欠陥が見つかった場合はフラグを立てます。
チェックリスト
- [ ] シリーズをプロットし、トレンド/季節性/ブレイクの観点から診断しました。
- [ ] 必要に応じて定常化 (対数/差分) を適用しましたが、その理由はわかっています。
- [ ] 単純なベンチマークを設定し、それに対して複雑なモデルを比較しました。
- [ ] モデルがトレーニング中でない期間 (バックテスト) にのみモデルを評価しました。
- [ ] 私は単一の数字ではなく、不確実性の範囲を含めて推定値を提示しました。
- [ ] 構造破壊/外部衝撃のリスクについては別の警告として言及しました。
- [ ] 私は、予測と最終判断の責任は私にあると主張しました。