नफा:
- आर्टिफिशियल इंटेलिजेंसच्या सहाय्याने ट्रेंड, सीझनॅलिटी, सायकल आणि स्थिरता यासारख्या वेळ मालिका संकल्पना समजून घेणे आणि मालिकेचे अचूक विश्लेषण करणे
- ARIMA, ETS आणि साधे बेंचमार्क मॉडेल कृत्रिम बुद्धिमत्तेमध्ये कोड म्हणून स्थापित करण्याची क्षमता, अंदाज तयार करणे आणि बॅकटेस्टिंगसह त्यांचे मूल्यांकन करणे
- अनिश्चितता श्रेणी, मॉडेल मर्यादा आणि स्ट्रक्चरल ब्रेकच्या पार्श्वभूमीवर अंदाजाची नाजूकता समजून घेण्यास सक्षम असणे आणि अंदाजाची जबाबदारी अर्थशास्त्रज्ञांवर राहते.
अर्थशास्त्राची भाषा वेळ आहे. चलनवाढ, वाढ, बेरोजगारी, विनिमय दर - ही सर्व मालिका आहेत जी कालांतराने वाहतात आणि अर्थतज्ञांना बहुतेक वेळा विचारण्यात येणारी एक गोष्ट म्हणजे "मग पुढे काय होईल?" प्रश्न आहे. या युनिटमध्ये, आम्ही वेळ मालिका संकल्पना समजून घेण्यासाठी, मॉडेल कोड तयार करण्यासाठी आणि अंदाज तयार करण्यासाठी कृत्रिम बुद्धिमत्तेचा वापर करू. परंतु अगदी सुरुवातीपासूनच फ्रेमवर्क स्पष्ट करूया: अंदाज ही भविष्यवाणी नाही, परंतु अनिश्चिततेखाली एक सशर्त अंदाज आहे आणि त्याची जबाबदारी अर्थशास्त्रज्ञाची आहे. AI तुम्हाला काही मिनिटांत ARIMA कोड लिहू शकतो; पण ते भाकीत वाजवी आहे की नाही आणि संरचनात्मक ब्रेकच्या तोंडावर ते कोसळेल की नाही हे मानवच ठरवतो.
वेळ मालिकेतील घटक
कोणत्याही आर्थिक मालिकेला चार भागांमध्ये विभाजित करून विचार करण्यास मदत करते:
- कल (प्रवृत्ती). दीर्घकालीन दिशा; जसे अर्थव्यवस्थेच्या वाढीचा मार्ग.
- हंगामी. वर्षभर नियमितपणे पुनरावृत्ती होणारा नमुना; उन्हाळ्यात पर्यटन वाढते, डिसेंबरमध्ये किरकोळ विक्री वाढते.
- सायकल (संयुक्त). हंगामापेक्षा जास्त काळ, अनियमित चढ-उतार; विस्तार आणि आकुंचन कालावधी.
- अनियमित/आवाज. अस्पष्ट, यादृच्छिक चढउतार.
मालिकेचा अंदाज घेण्यापूर्वी, या घटकांचे विघटन करणे आवश्यक आहे. कारण कच्च्या मालिकेकडे पाहणे आणि "ते पडत आहे" असे म्हणणे दिशाभूल करणारे असू शकते: कदाचित तुम्ही फक्त हंगामी कुंडात आहात.
स्थिरतेची संकल्पना देखील आहे: मालिकेचे सांख्यिकीय गुणधर्म (मध्य, भिन्नता) कालांतराने बदलत नाहीत. बहुतेक आर्थिक मालिका स्थिर नसतात (सतत वाढतात); बऱ्याच मॉडेल्सना बिल्डिंग करण्यापूर्वी भिन्नता (दुसऱ्यामधून एक कालावधी वजा करणे) किंवा लॉगरिदमसह स्थिरीकरण आवश्यक असते. AI या चरणांची शिफारस करते, परंतु त्यांची आवश्यकता का आहे हे जाणून घेणे तुमचे संरक्षण करते.
टीप: नेहमी अंदाज लावण्यापूर्वी मालिका प्लॉट करा आणि विघटित करा. स्पष्ट स्ट्रक्चरल ब्रेक (उदा. संकट किंवा चलन सुधारणा) अगदी प्रगत मॉडेललाही फसवेल. चार्ट हे सर्वात स्वस्त निदान साधन आहे.
मॉडेल: साध्या ते जटिल, परंतु प्रथम बेंचमार्क
टाइम सीरिजच्या अंदाजातील सुवर्ण नियम: नेहमी एका साध्या बेंचमार्क मॉडेलसह प्रारंभ करा. सर्वात सोपा अंदाज म्हणजे "भोळा अंदाज": उद्या आजच्या बरोबरीचा असेल (किंवा हंगामी भोळा: हा महिना मागील वर्षीच्या समान महिन्याच्या बरोबरीचा असेल). जर एखादे जटिल मॉडेल या भोळ्या भाकिताला हरवू शकत नसेल, तर जटिलता व्यर्थ आहे.
नंतर वारंवार वापरल्या जाणार्या पद्धती:
- ईटीएस / एक्सपोनेन्शियल स्मूथिंग. एक कुटुंब जे स्तर, कल आणि हंगामीपणा यांचे वजन करून त्यांना मऊ करते.
- कॉल करत आहे. ऑटोरेग्रेसिव्ह (भूतकाळातील मूल्यांवर आधारित) आणि हलणारे सरासरी घटक एकत्रित करणारे शास्त्रीय मॉडेल; हंगामी आवृत्ती SARIMA.
- प्रतिगमन-आधारित/स्पष्टीकरणात्मक मॉडेल. इतर निर्देशकांसह व्हेरिएबलचे स्पष्टीकरण (उदा. उत्पन्न आणि किंमतीनुसार मागणी).
AI या सर्वांचा statsmodels (Python library) मध्ये कोड करू शकतो. आपले कार्य मॉडेल निवडणे आणि प्रमाणित करणे आहे.
बॅकटेस्ट: भविष्यवाणीची चाचणी
जर एखादे मॉडेल ऐतिहासिक डेटासह "चांगले फिट" असेल तर याचा अर्थ काहीही नाही; कोणत्याही मॉडेलमध्ये बसण्यासाठी पुरेसे लवचिक (याला ओव्हरफिटिंग म्हणतात). वास्तविक प्रश्न: मॉडेलने न पाहिलेल्या कालावधीचा अंदाज किती चांगला आहे? हे मोजण्यासाठी, तुम्ही बॅकटेस्टिंग करता: तुम्ही एका तारखेला डेटा विभाजित करता, मागील भागासह मॉडेलला प्रशिक्षित करता, "जसे की ते भविष्य आहे" असे पुढील भागाचा अंदाज लावा आणि त्याची वास्तविकतेशी तुलना करा. त्रुटी उपाय (उदाहरणार्थ, MAE — म्हणजे संपूर्ण त्रुटी, किंवा RMSE — मूळ म्हणजे चौरस त्रुटी) तुम्हाला मॉडेलची बेंचमार्कशी तुलना करण्याची परवानगी देतात.
खबरदारी: तुम्ही मूल्यांकन केलेल्या डेटासह मॉडेलला प्रशिक्षण देऊ नका. प्रशिक्षणात न वापरलेल्या कालावधीतच अंदाज यशाचे मोजमाप करा. नाहीतर तुमची फसवणूक होईल; मॉडेल कागदावर छान बाहेर वळते पण प्रत्यक्षात निरुपयोगी.
अनिश्चितता: श्रेणी, बिंदू अंदाज नाही
एकच संख्या ("महागाई वर्षाच्या अखेरीस 24 टक्के होईल") चुकीची खात्री दर्शवते. प्रामाणिक अंदाजामध्ये श्रेणी आणि संभाव्यता समाविष्ट आहे: "21-27 टक्के बँडमध्ये, केंद्र परिस्थिती 24 टक्के आहे". अंदाज अनिश्चितता मॉडेलद्वारे उत्पादित आत्मविश्वास मध्यांतरांमध्ये व्यक्त केली जाते; परंतु वास्तविक अनिश्चितता यापेक्षा मोठी आहे, कारण मॉडेलचे गृहितक देखील चुकीचे असू शकते. स्ट्रक्चरल ब्रेक (धोरण बदल, बाह्य धक्का) हा सर्वात मोठा धोका आहे जो मॉडेल पाहू शकत नाही.
तीन लहान प्रकरणे
केस 1 - बेंचमार्कला हरवण्यात अयशस्वी. एका विश्लेषकाने AI ने मासिक किरकोळ विक्रीसाठी एक जटिल SARIMA तयार केला होता. बॅकटेस्टमध्ये, मॉडेलची सरासरी निरपेक्ष त्रुटी "हा महिना गेल्या वर्षीच्या त्याच महिन्याच्या बरोबरीचा आहे" असे म्हणणाऱ्या हंगामी भोळ्या अंदाजापेक्षा वाईट होती. विश्लेषकाने जटिल मॉडेल सोडले; त्याने भोळे अंदाज आधार म्हणून घेतला आणि तज्ञ सुधारणा जोडली. साधेपणाचा विजय होतो.
केस 2 - स्ट्रक्चरल ब्रेक. एका संस्थेने शॉक नंतरच्या कालावधीसाठी विनिमय दर शॉकपूर्वी डेटासह प्रशिक्षित केलेले महागाई मॉडेल वापरले. मॉडेलने महागाईला गंभीरपणे कमी लेखले कारण त्याने मागील शांत काळातील गतिशीलता गृहीत धरली होती. धडा: मॉडेल ज्या जगामध्ये प्रशिक्षित आहे ते गृहीत धरते; जेव्हा जग बदलते तेव्हा अंदाज कोलमडतो. अर्थशास्त्रज्ञाने आलेख पाहिला तर त्याला ब्रेक दिसला.
प्रकरण 3 - श्रेणीचा प्रामाणिकपणा. एका अर्थशास्त्रज्ञाने व्यवस्थापनासमोर त्यांचा वर्षअखेरीचा वाढीचा अंदाज एकच आकडा म्हणून मांडला नाही तर "३.०-४.२ टक्के बँड, ही अंतर्निहित गृहीतके आहेत." वर्षअखेरीस वसुली ३.६ टक्के होती; ते बँडमध्ये होते. जर त्याने एकच नंबर दिला असता तर कदाचित त्याला "चुकीचे" असे लेबल लावले गेले असते; श्रेणी आणि गृहीतके दोन्ही प्रामाणिक आणि राखलेले विश्वास होते.
मॉडेल निवड सारणी
स्थिती
योग्य सुरुवात
नोंद
प्रत्येक अंदाज
भोळे / हंगामी भोळे बेंचमार्क
मारण्यासाठी आधार
ट्रेंड + हंगामी, सपाट
ईटीएस (एक्सपोनेन्शियल स्मूथिंग)
स्थापित करणे आणि टिप्पणी करणे सोपे आहे
स्वयं-संबंधित मालिका
(एस)अरिमा
स्थिरीकरण आवश्यक आहे
एक स्पष्टीकरणात्मक चल आहे
प्रतिगमन आधारित
भविष्याचा अंदाज घेणारे देखील आवश्यक आहेत
स्ट्रक्चरल ब्रेकचा संशय
मॉडेल + तज्ञ सुधारणा
शुद्ध मॉडेल पुरेसे नाही
चार कॉपी करण्यायोग्य टेम्पलेट्स
1) विश्लेषण आणि निदान:
ती मासिक मालिका [मालिका] प्लॉट करा, नंतर ती ट्रेंड/सीझनॅलिटी/अवशिष्ट घटकांमध्ये (statsmodels) विभक्त करा. ते स्थिर आहे का ते तपासा (ADF चाचणी) आणि आवश्यक असल्यास, तुम्ही कोणते परिवर्तन (लॉग, फरक) सुचवा ते स्पष्ट करा. चार्टमध्ये दृश्यमान स्ट्रक्चरल ब्रेक असल्यास चिन्हांकित करा.
2) बेंचमार्क + मॉडेल तुलना:
प्रथम या मालिकेसाठी हंगामी भोळे बेंचमार्क अंदाज स्थापित करा. मग एक ETS आणि एक SARIMA सेट करा. MAE आणि RMSE वर आधारित तिन्हींची बॅकटेस्टसह तुलना करा (गेल्या 12 महिन्यांची चाचणी). निकालांची सारणी करा आणि कोणत्या मॉडेलने बेंचमार्कला मागे टाकले ते स्पष्टपणे सांगा.
3) अंदाज आणि अनिश्चितता श्रेणी:
मी निवडलेल्या मॉडेलसाठी पुढील 6 कालावधीचा अंदाज लावा आणि 80%/95% आत्मविश्वास मध्यांतर द्या. अंदाज एक श्रेणी म्हणून सादर करा, एकल संख्या म्हणून नाही. हे स्पष्ट करा की ही श्रेणी केवळ मॉडेल अनिश्चिततेचा समावेश करते, स्ट्रक्चरल ब्रेकेज/बाह्य शॉकचा धोका नाही.
4) बॅकटेस्ट वाचन:
या बॅकटेस्ट परिणामांचा अर्थ लावा [सारणी]. मॉडेल खरोखर बेंचमार्कला हरवते, किंवा फरक सांख्यिकीयदृष्ट्या क्षुल्लक आहे? कोणत्या कालावधीत तुमच्या मॉडेलने सर्वाधिक चुका केल्या आणि याचे संभाव्य आर्थिक कारण (संकट, हंगामी बदल) वर प्रश्न विचारा.
कमकुवत प्रॉम्प्ट / मजबूत प्रॉम्प्ट
कमकुवत प्रॉम्प्ट:
या मालिकेचा अंदाज लावा.
कृत्रिम बुद्धिमत्ता एक यादृच्छिक मॉडेल तयार करते, बॅकटेस्ट करत नाही, विषम संख्या देते; मॉडेल कार्य करते की नाही हे आपल्याला माहित नाही.
शक्तिशाली सूचना:
प्रथम वर्तमान मासिक महागाई मालिका विघटित करा आणि ब्रेकसाठी स्कॅन करा. मागील 12 महिन्यांत ETS आणि SARIMA ची बॅकटेस्ट हंगामी भोळ्या बेंचमार्क विरुद्ध, MAE शी तुलना करा. बेंचमार्कला मागे टाकणारे मॉडेल निवडा, 6 महिन्यांचा फॉरवर्ड अंदाज द्या आणि 80% श्रेणी ठेवा. स्ट्रक्चरल ब्रेकेजचा धोका स्वतंत्र चेतावणी म्हणून लिहा. प्रत्येक चरणासाठी कोड आणि सारांश क्रमांक दर्शवा जे मी व्यक्तिचलितपणे सत्यापित करू शकतो.
सामान्य चुका
- बेंचमार्क सेट न करता जटिल मॉडेलमध्ये उडी मारणे. गुंतागुंत यश समान नाही.
- प्रशिक्षित डेटावर मॉडेलचे मूल्यांकन करणे. यशासाठी अत्याधिक अनुपालन चुकणे.
- सिंगल पॉइंट अंदाज देत आहे. खोटी खात्री; श्रेणी आणि गृहीतक आवश्यक आहे.
- स्ट्रक्चरल ब्रेककडे दुर्लक्ष करणे. आंधळेपणाने भूतकाळातील डायनॅमिक भविष्यात घेऊन जाणे.
- स्थिरीकरण वगळणे. बनावट संबंध आणि विकृत अंदाज.
- भविष्यवाणी एक भविष्यवाणी म्हणून सादर करत आहे. अनिश्चितता आणि जबाबदारी लपवणे.
सारांशात
मालिका त्याच्या घटकांमध्ये विभक्त करून, ती स्थिर बनवून, एक साधा बेंचमार्क स्थापित करून, बॅकटेस्टिंगद्वारे मॉडेल्सची तुलना करून आणि अनिश्चिततेच्या श्रेणीसह परिणाम प्रामाणिकपणे सादर करून वेळ मालिका अंदाज केला जातो. या सर्व चरणांसाठी कृत्रिम बुद्धिमत्ता त्वरीत कोड तयार करते; पण मॉडेल निवड, स्ट्रक्चरल ब्रेक जजमेंट आणि अंदाजाची जबाबदारी अर्थशास्त्रज्ञावर आहे. भविष्यवाणी ही एक भविष्यवाणी नाही, परंतु एक सशर्त आणि अनिश्चित भविष्यवाणी आहे.
अर्ज कार्य
मासिक आर्थिक मालिका निवडा (उदा. औद्योगिक उत्पादन निर्देशांक). 1ल्या टेम्प्लेटसह ब्रेकआउट्ससाठी वेगळे करा आणि स्कॅन करा, 2ऱ्या टेम्प्लेटसह मौसमी भोळ्या बेंचमार्कच्या विरूद्ध ETS/SARIMA ची बॅकटेस्ट करा, 3ऱ्या टेम्पलेटसह 6-महिन्यांचा फॉरवर्ड रेंज अंदाज तयार करा. तुमचे मॉडेल खरोखर बेंचमार्कला मागे टाकते की नाही ते लक्षात घ्या आणि तुम्हाला दिसणारे कोणतेही स्ट्रक्चरल ब्रेक फ्लॅग करा.
चेकलिस्ट
- [] मी मालिका प्लॉट केली आणि ट्रेंड/सीझनॅलिटी/ब्रेक यानुसार तिचे निदान केले.
- आवश्यक असल्यास मी स्टेशनरायझेशन (लॉग/डिफरन्स) लागू केले आहे आणि मला कारण माहित आहे.
- मी एक साधा बेंचमार्क सेट केला आणि त्याच्याशी जटिल मॉडेलची तुलना केली.
- [ ] मी मॉडेलचे केवळ त्या कालावधीत मूल्यांकन केले जेव्हा ते प्रशिक्षणात नव्हते (बॅकटेस्ट).
- [ ] मी अंदाज एका अनिश्चिततेच्या श्रेणीसह सादर केला आहे, एकल संख्या नाही.
- मी स्वतंत्र चेतावणी म्हणून स्ट्रक्चरल ब्रेक/बाह्य शॉक रिस्कचा उल्लेख केला आहे.
- अंदाज आणि अंतिम निर्णयाची जबाबदारी माझ्यावर आहे हे मी कायम ठेवले.