이득:
- 인공지능의 지원으로 추세, 계절성, 주기, 정상성과 같은 시계열 개념을 이해하고 시계열을 올바르게 구문 분석할 수 있습니다.
- ARIMA, ETS 및 간단한 벤치마크 모델을 인공 지능에 코드로 설치하고 예측을 생성하며 백테스팅을 통해 평가하는 기능
- 불확실성 범위, 모델 한계 및 구조적 붕괴에 직면한 예측의 취약성을 이해하고 예측에 대한 책임이 경제학자에게 있음을 유지할 수 있습니다.
경제학의 언어는 시간이다. 인플레이션, 성장, 실업, 환율 등은 모두 시간이 지남에 따라 흐르는 계열이며 경제학자가 가장 자주 묻는 질문 중 하나는 "그럼 다음에 무슨 일이 일어날까요?"입니다. 질문입니다. 이번 단원에서는 인공 지능을 사용하여 시계열 개념을 이해하고, 모델 코드를 작성하고, 예측을 생성해 보겠습니다. 하지만 처음부터 그 틀을 명확히 해보자. 예측은 예언이 아니라 불확실성 하에서의 조건부 예측이며, 책임은 경제학자에게 있다. AI는 몇 분 안에 ARIMA 코드를 작성할 수 있습니다. 하지만 그 예측이 합리적인지, 구조적 붕괴에 직면해 무너질지 여부를 결정하는 것은 인간이다.
시계열의 구성요소
경제 시리즈를 네 부분으로 나누어 생각해 보면 도움이 됩니다.
- 추세(경향). 장기적인 방향; 경제의 성장 경로와 같은.
- 계절성. 일년 내내 규칙적으로 반복되는 패턴입니다. 여름에는 관광이 증가하고 12월에는 소매업이 증가합니다.
- 순환(결절). 시즌보다 길어지고 불규칙한 기복이 발생합니다. 팽창과 수축의 기간.
- 불규칙/소음. 설명할 수 없는 무작위 변동입니다.
계열을 추정하기 전에 이러한 구성 요소를 분해해야 합니다. 원시 시리즈를 보고 "떨어지고 있다"고 말하는 것은 오해의 소지가 있을 수 있기 때문입니다. 아마도 계절적 최저점에 있을 수도 있습니다.
정상성(stationarity)이라는 개념도 있습니다. 즉, 계열의 통계적 속성(평균, 분산)은 시간이 지나도 변하지 않습니다. 대부분의 경제 계열은 고정되어 있지 않습니다(지속적으로 성장함). 많은 모델은 구축하기 전에 차분(한 기간을 다른 기간에서 빼기) 또는 로그를 사용한 고정화가 필요합니다. AI는 이러한 단계를 권장하지만 이러한 단계가 필요한 이유를 아는 것이 귀하를 보호합니다.
팁: 예측하기 전에 항상 계열을 도표화하고 분해하십시오. 명백한 구조적 붕괴(예: 위기 또는 통화 개혁)는 가장 발전된 모델조차 속일 수 있습니다. 차트는 가장 저렴한 진단 도구입니다.
모델: 단순한 것부터 복잡한 것까지, 그러나 먼저 벤치마크
시계열 예측의 황금률: 항상 간단한 벤치마크 모델로 시작하세요. 가장 간단한 예측은 "순진한 예측"입니다. 내일은 오늘과 같습니다(또는 계절적 순진함: 이번 달은 작년 같은 달과 같습니다). 복잡한 모델이 이러한 순진한 예측을 이길 수 없다면 복잡성은 쓸모가 없습니다.
그런 다음 자주 사용되는 방법은 다음과 같습니다.
- ETS/지수평활. 수준, 추세, 계절성에 가중치를 부여하여 완화하는 제품군입니다.
- 부름. 자기회귀(과거 값 기반)와 이동 평균 구성요소를 결합한 클래식 모델입니다. 시즌 버전 SARIMA.
- 회귀 기반/설명 모델. 다른 지표(예: 소득별 수요, 가격별 수요)로 변수를 설명합니다.
AI는 통계 모델(Python 라이브러리)에서 이 모든 것을 코딩할 수 있습니다. 귀하의 임무는 모델을 선택하고 검증하는 것입니다.
백테스트: 예측 테스트
모델이 과거 데이터와 "잘 맞는" 경우에는 아무 의미가 없습니다. 어떤 모델에도 적합할 만큼 유연합니다(이를 과적합이라고 합니다). 실제 질문: 모델이 보지 못한 기간을 얼마나 잘 예측합니까? 이를 측정하려면 백테스팅을 수행합니다. 특정 날짜에 데이터를 분할하고 이전 부분으로 모델을 교육한 다음 "마치 미래인 것처럼" 다음 부분을 예측하고 이를 현실과 비교합니다. 오류 측정(예: MAE(평균 절대 오류) 또는 RMSE(제곱 평균 제곱근 오류))를 사용하면 모델을 벤치마크와 비교할 수 있습니다.
주의: 평가한 데이터로 모델을 훈련하지 마십시오. 훈련에 사용되지 않는 기간에만 예측 성공을 측정합니다. 그렇지 않으면 당신은 자신을 속이게 될 것입니다. 이 모델은 종이에서는 훌륭하지만 실제로는 쓸모가 없습니다.
불확실성: 점추정이 아닌 범위
단일 숫자(“연말까지 인플레이션이 24%에 이를 것”)는 잘못된 확신을 자아냅니다. 정직한 추정에는 범위와 확률이 포함됩니다. "21~27% 범위에서 중앙 시나리오는 24%입니다." 예측 불확실성은 모델에 의해 생성된 신뢰 구간으로 표현됩니다. 그러나 실제 불확실성은 이보다 더 큽니다. 왜냐하면 모델 가정도 틀릴 수 있기 때문입니다. 구조적 붕괴(정책변화, 외부충격)는 모델이 볼 수 없는 가장 큰 리스크이다.
세 개의 미니 케이스
사례 1 — 벤치마크를 이기지 못했습니다. 한 분석가는 AI가 월간 소매 판매를 위한 복잡한 SARIMA를 구축하도록 했습니다. 백테스트에서 모델의 평균 절대 오차는 "이번 달은 작년 같은 달과 같다"는 계절적 단순 예측보다 더 나빴습니다. 분석가는 복잡한 모델을 포기했습니다. 그는 순진한 추측을 토대로 전문가의 수정을 가했다. 단순함이 승리합니다.
사례 2 - 구조적 붕괴. 한 기관에서는 충격 이후 기간 동안 환율 충격 이전의 데이터로 훈련한 인플레이션 모델을 사용했습니다. 이 모델은 과거 평온했던 시기의 역학관계를 가정했기 때문에 인플레이션을 심각하게 과소평가했습니다. 교훈: 모델은 훈련된 세계를 가정합니다. 세상이 바뀌면 예측은 무너진다. 경제학자가 그래프를 본다면 그는 휴식을 볼 것입니다.
사례 3 - 범위의 정직성. 한 경제학자는 자신의 연말 성장률 전망을 단일 수치가 아닌 "3.0~4.2% 밴드, 이것이 기본 가정"으로 경영진에게 제시했습니다. 연말에 실현률은 3.6%였습니다. 밴드에 있었어요. 만약 그가 숫자 하나를 제시했다면, 그는 "잘못"이라는 딱지가 붙었을 수도 있습니다. 범위와 가정은 모두 정직하고 신뢰를 유지했습니다.
모델 선택 테이블
상태
적절한 시작
참고
모든 추측
순진/계절 순진 벤치마크
이길 수 있는 기반
추세 + 계절성, 보합
ETS(지수평활)
설치 및 댓글 작성이 쉽습니다.
자기상관 계열
(S)아리마
안정화 필요
설명변수가 있습니다.
회귀 기반
미래 예측자는 또한
구조적 붕괴 의혹
모델 + 전문가 교정
순수 모델만으로는 충분하지 않습니다.
복사 가능한 템플릿 4개
1) 구문 분석 및 진단:
월별 계열[계열]을 도표화한 다음 이를 추세/계절성/잔차 구성요소(통계 모델)로 분리합니다. 고정되어 있는지 확인하고(ADF 테스트) 필요한 경우 어떤 변환(로그, 차이)을 권장하는지 설명하세요. 차트에 눈에 보이는 구조적 중단이 있는지 표시합니다.
2) 벤치마크 + 모델 비교:
먼저 이 계열에 대한 계절별 순진한 벤치마크 예측을 설정합니다. 그런 다음 ETS와 SARIMA를 설정합니다. MAE 및 RMSE를 기반으로 세 가지를 모두 백테스트(지난 12개월 동안 테스트)와 비교합니다. 결과를 표로 작성하고 어떤 모델이 벤치마크를 능가했는지 명확하게 명시합니다.
3) 추정 및 불확실성 범위:
내가 선택한 모델에 대해 다음 6개 기간을 예측하고 80%/95% 신뢰 구간을 제공합니다. 단일 숫자가 아닌 범위로 추정치를 제시합니다. 이 범위에는 구조적 파손/외부 충격의 위험이 아닌 모델 불확실성만 포함된다는 점을 분명히 하십시오.
4) 백테스트 판독:
이 백테스트 결과 [표]를 해석하십시오. 모델이 실제로 벤치마크를 능가합니까, 아니면 그 차이가 통계적으로 중요하지 않습니까? 모델이 가장 많은 실수를 저지른 기간을 기술하고 이에 대한 가능한 경제적 이유(위기, 계절적 변화)에 대해 질문합니다.
약한 프롬프트 / 강한 프롬프트
약한 프롬프트:
이 시리즈를 추측해 보세요.
인공 지능은 무작위 모델을 구축하고 백테스트를 하지 않으며 홀수를 제공합니다. 모델이 작동하는지 여부를 알 수 없습니다.
강력한 프롬프트:
먼저 현재 월별 인플레이션 시리즈를 분해하고 중단 사항을 검색합니다. 지난 12개월 동안의 ETS 및 SARIMA를 계절별 순진한 벤치마크와 비교하여 백테스트하고 MAE와 비교합니다. 벤치마크를 능가하는 모델을 선택하고 6개월 간의 예측을 제시하고 80% 범위를 설정합니다. 구조적 파손 위험은 별도의 경고로 기재하세요. 수동으로 확인할 수 있는 각 단계의 코드와 요약 번호를 표시합니다.
일반적인 실수
- 벤치마크를 설정하지 않고 복잡한 모델에 뛰어들었습니다. 복잡성은 성공과 같지 않습니다.
- 훈련된 데이터에 대해 모델을 평가합니다. 과도한 준수를 성공으로 착각합니다.
- 단일점 추정치를 제공합니다. 거짓 확실성; 범위와 가정이 필요합니다.
- 구조적 중단을 무시합니다. 맹목적으로 과거의 역동성을 미래로 옮기는 것입니다.
- 안정화를 건너뜁니다. 가짜 관계와 왜곡된 예측.
- 예측을 예언으로 제시합니다. 불확실성과 책임을 숨깁니다.
요약하면
시계열 예측은 계열을 구성 요소로 분리하고, 고정 상태로 만들고, 간단한 벤치마크를 설정하고, 백테스트를 통해 모델을 비교하고, 결과를 불확실성 범위와 함께 정직하게 제시함으로써 수행됩니다. 인공 지능은 이러한 모든 단계에 대한 코드를 신속하게 생성합니다. 그러나 모델 선택, 구조적 돌파 판단 및 예측에 대한 책임은 경제학자에게 있습니다. 예측은 예언이 아니라 조건부이며 불확실한 예측입니다.
응용과제
월별 경제 시리즈(예: 산업 생산 지수)를 선택하세요. 첫 번째 템플릿을 사용하여 브레이크아웃을 분리 및 스캔하고, 두 번째 템플릿을 사용하여 계절별 순수 벤치마크에 대해 ETS/SARIMA를 백테스트하고, 세 번째 템플릿을 사용하여 6개월 전방 범위 예측을 생성합니다. 모델이 실제로 벤치마크를 능가하는지 확인하고 구조적 중단이 발견되면 표시하세요.
체크리스트
- [ ] 시리즈를 구성하고 추세/계절성/휴식 측면에서 진단했습니다.
- [ ] 필요한 경우 고정화(로그/차이)를 적용했으며 그 이유를 알고 있습니다.
- [ ] 간단한 벤치마크를 설정하고 이에 대해 복잡한 모델을 비교했습니다.
- [ ] 훈련 중이 아닌 기간에만 모델을 평가했습니다(백테스트).
- [ ] 단일 숫자가 아닌 불확실성 범위로 추정치를 제시했습니다.
- [ ] 구조적 파손/외부충격 위험에 대해서는 별도의 경고문으로 말씀드렸습니다.
- [ ] 예측과 최종 판단의 책임은 나에게 있다고 주장했습니다.