नफा:
- कच्चा आर्थिक डेटा (गहाळ निरीक्षणे, युनिट गोंधळ, वारंवारता जुळत नाही) साफ करण्याची आणि कृत्रिम बुद्धिमत्तेच्या मदतीने विश्लेषणासाठी तयार करण्याची क्षमता
- वास्तविक-नाममात्र रूपांतरण, इंडेक्सेशन, वाढीचा दर, कृत्रिम बुद्धिमत्तेमध्ये कोड म्हणून हंगामी समायोजन यासारखे मानक आर्थिक परिवर्तन मुद्रित करण्याची क्षमता आणि त्यांना व्यक्तिचलितपणे सत्यापित करण्याची क्षमता
- एक्सप्लोरेटरी डेटा विश्लेषणाद्वारे डेटा ओळखण्याची क्षमता (सारांश आकडेवारी, वितरण, आउटलियर्स, सहसंबंध) आणि कृत्रिम बुद्धिमत्ता सारांश गंभीरपणे वाचणे
आर्थिक डेटा क्वचितच विश्लेषणासाठी तयार होतो. तुम्ही TURKSTAT वरून डाउनलोड केलेल्या टेबलमध्ये, काही महिने गहाळ आहेत, एक स्तंभ हजार कंसात मजकूर म्हणून येतो, विनिमय दर "1.234,56" सारख्या तुर्की स्वरूपात आहे, एक मालिका मासिक आहे आणि दुसरी तिमाही आहे. अर्थशास्त्रज्ञांचा बहुतेक वेळ विश्लेषणात नाही तर विश्लेषणासाठी डेटा तयार करण्यात खर्च होतो. इथेच AI एक वास्तविक, कमी-जोखीम प्रवेगक आहे: ते साफ करण्याच्या पायऱ्या सुचवते, पांडा (पायथनची डेटा प्रोसेसिंग लायब्ररी) लिहिते, मानक आर्थिक परिवर्तने कोडीफाय करते. परंतु या युनिटमध्ये एक अपरिवर्तनीय नियम देखील आहे: तुम्ही कृत्रिम बुद्धिमत्तेद्वारे लिहिलेले प्रत्येक परिवर्तन वाचता आणि कमीतकमी एका निरीक्षणात ते व्यक्तिचलितपणे सत्यापित करा. वास्तविक-नाममात्र चक्र चुकीच्या पायावर असल्यास, संपूर्ण विश्लेषण शांतपणे नष्ट होते.
स्वच्छता: कोणत्या समस्या, त्या कशा सोडवायच्या?
आर्थिक डेटा आणि त्यांचे तर्कशास्त्रातील सर्वात सामान्य समस्या:
- अपूर्ण निरीक्षण. एक महिना/चतुर्थांश रिक्त आहे. समाधान संदर्भावर अवलंबून असते: जर ते प्रत्यक्षात अस्तित्वात नसेल तर ते रिक्त सोडले जाते; तांत्रिक अंतर असल्यास, काळजीपूर्वक इंटरपोलेशन केले जाते — परंतु फॅब्रिकेशनमधील रेषा पातळ आहे.
- युनिट्स आणि फॉरमॅटचा गोंधळ. मजकूर "12.345.6" एका संख्येमध्ये रूपांतरित करणे आवश्यक आहे; दशलक्ष/अब्ज सुसंगत झाले पाहिजे.
- वारंवारता जुळत नाही. मासिक आणि त्रैमासिक मालिका एकत्र करण्यासाठी, एक एकत्रित केली जाते (मासिक ते त्रैमासिक) — मग ती सरासरी, एकूण किंवा कालावधीची समाप्ती या निर्देशकाच्या स्वरूपावर अवलंबून असते (स्टॉक/फ्लो डिस्टिंक्शन).
- बाह्य (अत्यंत) मूल्ये. जर एखादे निरीक्षण अत्यंत विचलित झाले तर: ही एक वास्तविक घटना आहे (संकट, किंमत वाढ), की डेटा त्रुटी? ते हटवण्याआधी समजते.
- तारीख संरेखन. वेगवेगळ्या मालिकेतील तारीख स्वरूप आणि कालावधीची व्याख्या सिंक्रोनाइझ केली जाते.
लक्ष द्या: गहाळ डेटा भरणे निर्दोष दिसते, परंतु हा एक आर्थिक निर्णय आहे. "शेजारच्या महिन्यांची सरासरी" सह संकट महिना भरणे म्हणजे विश्लेषणातून ते संकट हटवणे. भरण्यापूर्वी, "हे अंतर का अस्तित्वात आहे?" प्रश्नाचे उत्तर द्या.
मानक आर्थिक परिवर्तने
अर्थशास्त्रज्ञाच्या दैनंदिन भांडारात परिवर्तन आणि त्यांची व्याख्या:
- नाममात्र → वास्तविक. किमतीच्या प्रभावासाठी समायोजित करणे: वास्तविक मूल्य = नाममात्र मूल्य / किंमत निर्देशांक × 100. डिफ्लेटरचे मूळ वर्ष (ॲडजस्टिंग इंडेक्स) निकालाचा आधार निर्धारित करते.
- अनुक्रमणिका. मालिका पुन्हा स्केल करणे जेणेकरून निवडलेला कालावधी = 100; वेगवेगळ्या आकारांच्या मालिकांची तुलना करण्यासाठी हे उपयुक्त आहे.
- वाढीचा दर. वार्षिक: (हा कालावधी / गेल्या वर्षी समान कालावधी − 1) × 100. नियतकालिक आणि वार्षिक दर भिन्न गोष्टी आहेत; गोंधळात टाकणे ही एक सामान्य चूक आहे.
- हंगामी सुधारणा. नियमित हंगामी प्रभाव शुद्ध करणे (उन्हाळी पर्यटन, सुट्ट्या); कच्च्या मालिका आणि ऋतूनुसार जुळवलेल्या मालिका वेगवेगळ्या कथा सांगतात.
- हलवत सरासरी. आवाज कमी करणे आणि कल दृश्यमान करणे.
- लॉगरिदम आणि फरक. वाढीची गतिशीलता आणि स्थिरता तपासण्यासाठी (वेळ मालिका युनिटमध्ये खोल होईल).
टीप: प्रत्येक रूपांतरणासह तुम्हाला विचारले जाईल "युनिट आणि बेसचे काय झाले?" विचारा वास्तविक मालिकेचा आधार डिफ्लेटरचा आधार आहे; अनुक्रमित मालिकेचा आधार हा तुम्ही निवडलेला कालावधी आहे. हे लिहून ठेवल्यास भविष्यातील चुका टाळता येतात.
अन्वेषण डेटा विश्लेषण (EDA)
मॉडेलमध्ये प्रवेश करण्यापूर्वी डेटा ओळखणे आवश्यक आहे. एक्सप्लोरेटरी डेटा ॲनालिसिस (EDA) मध्ये समाविष्ट आहे: सारांश सांख्यिकी (मध्य, मध्य, मानक विचलन, किमान-कमाल), वितरणाचा आकार, कालांतराने अभ्यासक्रम, आउटलियर्स आणि मालिकांमधील परस्परसंबंध. AI त्वरीत या चरणांसाठी कोड व्युत्पन्न करते; तुमचे काम आर्थिक डोळ्याने आउटपुट वाचणे आहे: "हे सरासरी वाजवी आहे का? हा सहसंबंध योगायोग आहे की ज्ञात संबंध?"
खबरदारी: येथे सहसंबंध हे केवळ ओळखण्याचे साधन आहे, कारणाचा पुरावा नाही. दोन मालिका एकत्र फिरतात ही वस्तुस्थिती (उदा., आइस्क्रीम विक्री आणि बुडणे—दोन्ही उन्हाळ्यामुळे सुरू होतात) हे सूचित करत नाही की एक दुसऱ्याकडे घेऊन जाते. आम्ही युनिट 7 मध्ये हा फरक अधिक खोल करू.
तीन लहान प्रकरणे
केस 1 - चुकीचा डिफ्लेटर बेस. एका विश्लेषकाकडे मजुरी मालिका साकारण्यासाठी आर्टिफिशियल इंटेलिजन्स लेखन कोड होता. कोडने काम केले, परिणाम वाजवी दिसला — परंतु विश्लेषकाने कॅल्क्युलेट चरणात 2020 ची मॅन्युअली गणना केली आणि ते कार्य करत नाही. समस्या: आर्टिफिशियल इंटेलिजन्सने 2003=100 च्या बेससह डिफ्लेटरचा वापर केला आणि 2015 किमतींसह वेतन मालिकेची विनंती केली; तळ परस्परविरोधी होते. कोड एका ओळीच्या फिक्ससह दुरुस्त केला गेला, संपूर्ण मालिका जागेवर पडली.
केस 2 - मूक आवाज त्रुटी. एका संस्थेने निर्यात डेटा हजार डॉलरमध्ये आणि आयात दशलक्ष डॉलर्समध्ये कमी केली होती. जेव्हा कृत्रिम बुद्धिमत्तेने "परदेशी व्यापार शिल्लक" साठी दोघांना काढून टाकले, तेव्हा त्याचा परिणाम एक बेतुका तूट होता. EDA मधील किमान-अधिकतम दृश्याने त्रुटी उघड केली: दोन मालिकांच्या परिमाणाचा क्रम 1000 च्या घटकाने भिन्न होता. एकदा युनिटची बरोबरी झाल्यावर शिल्लक बरोबर होती.
केस 3 - आउटलायर हटवत नाही. मालिकेतील एक महिना कमालीचा कमी होता. एआयने "आउटलायर, चला साफ करू" असे सुचवले. विश्लेषकाने तपास केला: त्या महिन्यात नैसर्गिक आपत्तीमुळे उत्पादन थांबले होते. मूल्य खरे होते; तो हटवल्यास इतिहासाचा विपर्यास होईल. हटवण्याऐवजी तळटीप करण्यात आली. AI ची "स्पष्ट" शिफारस आंधळेपणाने पाळली गेली नाही.
रूपांतरण प्रमाणीकरण सारणी
रूपांतरण
सूत्र सार
मॅन्युअल चेकपॉईंट
प्राप्ती
नाममात्र / किंमत निर्देशांक × 100
डिफ्लेटर बेस = निकाल आधार?
वार्षिक वाढ
(t / t-12 महिना − 1)×100
कागदावर कालावधीची गणना करा
अनुक्रमणिका
मालिका/आधार कालावधी × 100
मूळ कालावधी मूल्य 100 आहे का?
मासिक → त्रैमासिक
प्रवाह: गोळा / स्टॉक: कालावधी समाप्त
संकलन पद्धत योग्य आहे का?
हलणारी सरासरी
शेवटचा n कालावधी सरासरी
खिडकीची लांबी योग्य आहे का?
चार कॉपी करण्यायोग्य टेम्पलेट्स
1) स्वच्छता योजना:
माझ्याकडे हा कच्चा डेटा आहे: [स्तंभ आणि नमुना पंक्ती]. विश्लेषणाची तयारी करण्यासाठी साफसफाईची योजना तयार करा: गहाळ मूल्य, युनिट/स्वरूप समस्या, तारीख संरेखन, वारंवारता संरेखन, संभाव्य आउटलायर्स. प्रत्येक पायरी का आवश्यक आहे हे एका वाक्यात स्पष्ट करा. अद्याप कोड लिहू नका; मला आधी योजनेची पुष्टी करू द्या.
२) पांडा क्लीनअप कोड:
मी मंजूर केलेल्या योजनेनुसार पांडा कोड लिहा. प्रत्येक चरणावर टिप्पणी ओळीने कोड काय करतो ते सूचित करू द्या; हे रूपांतरणानंतर पंक्तींची संख्या आणि गहाळ मूल्ये मुद्रित करते. शांतपणे कोणतेही निरीक्षण पुसून टाकू नका; तुम्ही हटवलेल्या प्रत्येक ओळीचा अहवाल द्या.
३) प्राप्ती (पडताळणी करण्यायोग्य):
[किंमत निर्देशांक] सह ही नाममात्र मालिका लक्षात घ्या. डिफ्लेटर वापरताना त्याचे मूळ वर्ष स्पष्टपणे लिहा; परिणामी मालिकेचा आधार काय आहे ते निर्दिष्ट करा. मला एका कालावधीसाठी चरण-दर-चरण खाते दर्शवा जेणेकरून मी ते व्यक्तिचलितपणे सत्यापित करू शकेन.
4) अन्वेषणात्मक विश्लेषण सारांश:
खालील क्लीन केलेल्या डेटासाठी एक्सप्लोरेटरी ॲनालिसिस कोड लिहा: सारांश आकडेवारी, वेळ मालिका प्लॉट, आउटलियर स्कॅन आणि सहसंबंध मॅट्रिक्स. परिणामांचा अर्थ लावताना, हे स्पष्ट करा की तुम्हाला आढळलेले परस्परसंबंध CAUSAL नाहीत आणि माझ्यासाठी वेगळे असलेले 3 मुद्दे सूचीबद्ध करा.
कमकुवत प्रॉम्प्ट / मजबूत प्रॉम्प्ट
कमकुवत प्रॉम्प्ट:
हा डेटा साफ करा.
एआय काय साफ करायचे हे न कळता गृहितकांसह कार्य करते; तुम्ही निरीक्षणे हटवू शकता, युनिट बदलू शकता, तुमच्या लक्षात येणार नाही.
शक्तिशाली सूचना:
या मासिक विदेशी व्यापार डेटामध्ये, निर्यात "हजार USD" मध्ये आहे आणि आयात "दशलक्ष USD" मध्ये आहे. दोन "दशलक्ष USD" मध्ये समान करा, गहाळ महिने चिन्हांकित करा परंतु भरू नका, तारखा महिन्याच्या शेवटी संरेखित करा. प्रत्येक पायरीवर किती पंक्ती प्रभावित होतात हे मुद्रित करा; शांतपणे कोणतीही पंक्ती हटवू नका. मग मी स्वतः तपासू शकेन अशा प्रकारे एका महिन्याची शिल्लक दाखवा.
सामान्य चुका
- रूपांतरण कोड न वाचता चालवणे. चुकीचा आधार/युनिट संपूर्ण विश्लेषण शांतपणे दूषित करते.
- विचार न करता गहाळ डेटा भरणे. सरासरीसह संकट/आपत्ती कालावधी मिटवणे.
- आउटलायर्स आपोआप टाकून द्या. डेटा त्रुटीसाठी वास्तविक इव्हेंट चुकीचा आहे.
- गोंधळात टाकणारी हंगामी आणि वार्षिक वाढ. दोन्ही वेगवेगळ्या आकाराचे आहेत.
- फ्रिक्वेन्सी चुकीच्या पद्धतीने एकत्र करणे. स्टॉक मालिका गोळा करणे आणि प्रवाह म्हणून त्यावर प्रक्रिया करणे.
- कार्यकारणभावासाठी EDA मधील सहसंबंध चुकणे. पुरावा म्हणून ओळखण्याचे साधन चुकणे.
सारांशात
डेटा क्लीनिंग आणि ट्रान्सफॉर्मेशन हे 80 टक्के आर्थिक विश्लेषणाचे अदृश्य पण निर्णायक आहे. कृत्रिम बुद्धिमत्ता नाटकीयरित्या या यांत्रिक कार्यास गती देते; परंतु प्रत्येक क्लीनअप चरण आणि प्रत्येक परिवर्तन वाचणे आणि किमान एक निरीक्षण व्यक्तिचलितपणे सत्यापित करणे आपल्यावर अवलंबून आहे. डिफ्लेटर बेस, युनिट, वारंवारता आणि बाह्य निर्णय हे आर्थिक निर्णय आहेत आणि कृत्रिम बुद्धिमत्तेवर आंधळेपणाने सोडले जाऊ शकत नाहीत. एक्सप्लोरेटरी ॲनालिसिस डेटाची ओळख करून देते, परंतु तेथे सहसंबंध नाही.
अर्ज कार्य
वास्तविक कच्ची मालिका डाउनलोड करा (उदा. मासिक CPI आणि नाममात्र वेतन/उत्पन्न मालिका). 1ल्या टेम्प्लेटसह साफसफाईची योजना तयार करा, 2ऱ्या टेम्प्लेटसह कोड तयार करा आणि 3ऱ्या टेम्प्लेटसह मालिका साकार करा. मग कागदावरील एका कालावधीचे वास्तविक मूल्य मोजा आणि त्याची कृत्रिम बुद्धिमत्तेच्या उत्पादनाशी तुलना करा. जर तुम्हाला काही जुळत नसेल, तर त्याचे स्रोत (बेस/युनिट) निदान करा आणि दुरुस्त करा आणि प्रगती लक्षात घ्या.
चेकलिस्ट
- [ ] मी कोड लिहिण्यापूर्वी क्लीनअप योजनेचे पुनरावलोकन केले आणि मंजूर केले.
- आर्टिफिशियल इंटेलिजन्सने नोंदवलेली प्रत्येक ओळ मी हटवली/बदलली; मूक हटवणे नाही.
- गहाळ डेटा भरताना तुम्ही विचारू शकता "तो रिकामा का आहे?" मी प्रश्नाचे उत्तर दिले.
- [ ] मी तपासले की आउटलायर ही वास्तविक घटना आहे की डेटा त्रुटी.
- [ ] प्राप्तीमध्ये, मी डिफ्लेटर बेस आणि निकाल बेस जुळत असल्याचे सत्यापित केले.
- [ ] मी व्यक्तिचलितपणे किमान एका कालावधीचे रूपांतरण पुन्हा मोजले.
- [ ] मी कारण म्हणून EDA मध्ये सहसंबंध सादर केले नाहीत.