Keuntungan:
- Memahami konsep siri masa seperti aliran, bermusim, kitaran dan pegun dengan sokongan kecerdasan buatan dan dapat menghuraikan siri dengan betul
- Keupayaan untuk memasang ARIMA, ETS dan model penanda aras mudah ke dalam kecerdasan buatan sebagai kod, menghasilkan ramalan dan menilainya dengan ujian belakang
- Mampu memahami kerapuhan ramalan dalam menghadapi julat ketidakpastian, had model dan pecah struktur, dan untuk mengekalkan tanggungjawab untuk ramalan itu kekal pada ahli ekonomi.
Bahasa ekonomi ialah masa. Inflasi, pertumbuhan, pengangguran, kadar pertukaran — semuanya adalah siri yang mengalir dari semasa ke semasa, dan salah satu perkara yang paling kerap ditanya ahli ekonomi ialah "jadi apa yang berlaku seterusnya?" adalah soalan. Dalam unit ini, kami akan menggunakan kecerdasan buatan untuk memahami konsep siri masa, membina kod model dan menghasilkan ramalan. Tetapi mari kita jelaskan rangka kerja dari awal lagi: Ramalan bukanlah ramalan, tetapi ramalan bersyarat di bawah ketidakpastian, dan tanggungjawab terletak pada ahli ekonomi. AI boleh menulis kod ARIMA kepada anda dalam beberapa minit; Tetapi manusialah yang menentukan sama ada ramalan itu munasabah atau tidak dan sama ada ia akan runtuh dalam menghadapi kerosakan struktur.
Komponen siri masa
Ia membantu untuk memikirkan mana-mana siri ekonomi dengan membahagikannya kepada empat bahagian:
- Trend (kecenderungan). Arah jangka panjang; seperti laluan pertumbuhan ekonomi.
- Kemusim. Corak yang berulang secara tetap sepanjang tahun; Pelancongan meningkat pada musim panas, runcit meningkat pada bulan Disember.
- Kitaran (konjunktur). Lebih lama daripada musim, naik turun tidak teratur; tempoh pengembangan dan penguncupan.
- Tidak menentu/bising. Tidak dapat dijelaskan, turun naik rawak.
Sebelum menganggarkan satu siri, adalah perlu untuk mengurai komponen ini. Kerana melihat siri mentah dan mengatakan "ia jatuh" boleh mengelirukan: mungkin anda hanya berada dalam palung bermusim.
Terdapat juga konsep pegun: sifat statistik (min, varians) siri tidak berubah mengikut masa. Kebanyakan siri ekonomi tidak pegun (sentiasa berkembang); Banyak model memerlukan pembezaan (menolak satu noktah daripada yang lain) atau pegun dengan logaritma sebelum membina. AI mengesyorkan langkah ini, tetapi mengetahui sebab ia diperlukan melindungi anda.
Petua: Sentiasa plot dan menguraikan siri sebelum meramal. Pemecahan struktur yang jelas (cth. krisis atau pembaharuan mata wang) akan menipu walaupun model yang paling maju. Carta ialah alat diagnostik termurah.
Model: daripada mudah kepada kompleks, tetapi pertama sekali tanda aras
Peraturan emas dalam ramalan siri masa: sentiasa bermula dengan model penanda aras yang mudah. Ramalan yang paling mudah ialah "ramalan naif": esok akan sama dengan hari ini (atau naif bermusim: bulan ini sama dengan bulan yang sama tahun lepas). Jika model yang kompleks tidak dapat mengatasi ramalan naif ini, kerumitan adalah sia-sia.
Kemudian kaedah yang sering digunakan:
- ETS / pelicinan eksponen. Keluarga yang melembutkan tahap, aliran dan kemusim dengan menimbang mereka.
- MEMANGGIL. Model klasik yang menggabungkan autoregresif (berdasarkan nilai masa lalu) dan komponen purata bergerak; versi bermusim SARIMA.
- Model berasaskan regresi/penjelasan. Menjelaskan pembolehubah dengan penunjuk lain (cth. permintaan mengikut pendapatan dan harga).
AI boleh mengodkan semua ini dalam model statistik (perpustakaan Python). Tugas anda ialah memilih dan mengesahkan model.
Backtest: ujian ramalan
Ia tidak bermakna apa-apa jika model "sesuai dengan baik" dengan data sejarah; Cukup fleksibel untuk muat mana-mana model (ini dipanggil overfitting). Soalan sebenar: sejauh mana model meramalkan tempoh yang tidak dilihatnya? Untuk mengukur ini, anda melakukan ujian belakang: anda membahagi data pada satu tarikh, melatih model dengan bahagian sebelumnya, minta ia meramalkan bahagian seterusnya "seolah-olah ia adalah masa depan" dan membandingkannya dengan realiti. Ukuran ralat (contohnya, MAE — min ralat mutlak, atau RMSE — akar min ralat kuasa dua) membolehkan anda membandingkan model dengan penanda aras.
Awas: Jangan latih model dengan data yang anda nilai. Ukur kejayaan ramalan hanya dalam tempoh yang tidak digunakan dalam latihan. Jika tidak anda akan menipu diri sendiri; Model itu ternyata hebat di atas kertas tetapi tidak berguna dalam realiti.
Ketidakpastian: julat, bukan anggaran titik
Satu nombor (“inflasi akan menjadi 24 peratus menjelang akhir tahun”) menunjukkan kepastian palsu. Anggaran jujur termasuk julat dan kebarangkalian: "dalam kumpulan 21-27 peratus, senario tengah ialah 24 peratus". Ketidakpastian ramalan dinyatakan dalam selang keyakinan yang dihasilkan oleh model; tetapi ketidakpastian sebenar adalah lebih besar daripada ini, kerana andaian model mungkin juga salah. Pecah struktur (perubahan dasar, kejutan luaran) ialah risiko terbesar yang tidak dapat dilihat oleh model.
tiga kes mini
Kes 1 — Gagal mengatasi penanda aras. Seorang penganalisis menyuruh AI membina SARIMA yang kompleks untuk jualan runcit bulanan. Dalam ujian belakang, purata ralat mutlak model adalah lebih teruk daripada ramalan naif bermusim yang mengatakan "bulan ini bersamaan dengan bulan yang sama tahun lepas." Penganalisis meninggalkan model kompleks; Dia mengambil tekaan naif sebagai asas dan menambah pembetulan pakar. Kesederhanaan menang.
Kes 2 — Pecah struktur. Sebuah institusi menggunakan model inflasi yang dilatihnya dengan data sebelum kejutan kadar pertukaran untuk tempoh selepas kejutan. Model itu sangat memandang rendah inflasi kerana ia mengandaikan dinamik tempoh tenang lalu. Pengajaran: model menganggap dunia di mana ia dilatih; Apabila dunia berubah, ramalan itu runtuh. Jika ahli ekonomi melihat graf, dia akan melihat rehat.
Kes 3 — Kejujuran julat. Seorang ahli ekonomi membentangkan ramalan pertumbuhan akhir tahunnya kepada pihak pengurusan bukan sebagai angka tunggal, tetapi sebagai "jalur 3.0-4.2 peratus, ini adalah andaian asas." Pada akhir tahun, realisasi ialah 3.6 peratus; Ia berada dalam kumpulan itu. Jika dia memberikan satu nombor, dia mungkin dilabel "salah"; julat dan andaian adalah amanah yang jujur dan terpelihara.
Jadual pemilihan model
Status
permulaan yang betul
nota
Setiap tekaan
Penanda aras naif / naif bermusim
Pangkalan untuk dipukul
Trend + bermusim, rata
ETS (pelicinan eksponen)
Mudah untuk memasang dan mengulas
Siri autokorelasi
(S)ARIMA
Memerlukan penstabilan
Terdapat pembolehubah penjelasan
Berasaskan regresi
Peramal masa depan juga mesti
Kecurigaan pecah struktur
Pembetulan model + pakar
Model tulen tidak mencukupi
Empat templat yang boleh disalin
1) Penghuraian dan diagnosis:
Plotkan siri bulanan itu [siri], kemudian pisahkan kepada komponen trend/bermusim/sisa (model statistik). Semak sama ada ia pegun (ujian ADF) dan, jika perlu, terangkan transformasi (log, perbezaan) yang anda cadangkan. Tandakan jika terdapat pecahan struktur yang kelihatan dalam carta.
2) Penanda aras + perbandingan model:
Mula-mula buat ramalan penanda aras naif bermusim untuk siri ini. Kemudian sediakan ETS dan SARIMA. Bandingkan ketiga-tiga berdasarkan MAE dan RMSE dengan ujian belakang (menguji 12 bulan terakhir). Jadualkan keputusan dan nyatakan dengan jelas model mana yang mengatasi penanda aras.
3) Anggaran dan julat ketidakpastian:
Ramalkan 6 tempoh seterusnya untuk model yang saya pilih dan berikan selang keyakinan 80%/95%. Bentangkan anggaran sebagai julat, bukan sebagai nombor tunggal. Jelaskan bahawa julat ini SAHAJA meliputi ketidakpastian model, bukan risiko kerosakan struktur/kejutan luaran.
4) Bacaan backtest:
Tafsirkan keputusan ujian belakang ini [jadual]. Adakah model itu sebenarnya menewaskan penanda aras, atau adakah perbezaan statistik tidak ketara? Nyatakan dalam tempoh mana model anda membuat kesilapan paling banyak dan persoalkan kemungkinan sebab ekonomi untuk ini (krisis, perubahan bermusim).
Gesaan lemah / Gesaan kuat
Gesaan yang lemah:
Teka siri ini.
Kecerdasan buatan membina model rawak, tidak melakukan ujian belakang, memberikan nombor ganjil; Anda tidak tahu sama ada model itu berfungsi atau tidak.
Gesaan kuat:
Pertama, hurai siri inflasi bulanan semasa dan imbas untuk rehat. Backtest ETS dan SARIMA dalam tempoh 12 bulan yang lalu berbanding penanda aras naif bermusim, bandingkan dengan MAE. Pilih model yang mengatasi penanda aras, berikan ramalan ke hadapan 6 bulan dan letakkan julat 80%. Tulis risiko kerosakan struktur sebagai amaran berasingan. Tunjukkan kod untuk setiap langkah dan nombor ringkasan yang boleh saya sahkan secara manual.
Kesilapan biasa
- Melompat ke model yang kompleks tanpa menyediakan penanda aras. Kerumitan tidak sama dengan kejayaan.
- Menilai model pada data yang dilatihnya. Tersilap pematuhan yang berlebihan untuk kejayaan.
- Memberi anggaran mata tunggal. Kepastian palsu; julat dan andaian diperlukan.
- Mengabaikan pecahan struktur. Membawa dinamik masa lalu secara membabi buta ke masa depan.
- Melangkau penstabilan. Hubungan palsu dan ramalan yang herot.
- Membentangkan ramalan sebagai nubuatan. Menyembunyikan ketidakpastian dan tanggungjawab.
Secara ringkasnya
Ramalan siri masa dilakukan dengan mengasingkan siri kepada komponennya, menjadikannya pegun, mewujudkan penanda aras mudah, membandingkan model dengan ujian belakang, dan mempersembahkan keputusan secara jujur dengan julat ketidakpastian. Kecerdasan buatan cepat menjana kod untuk semua langkah ini; Tetapi tanggungjawab untuk pemilihan model, penghakiman pecah struktur dan ramalan terletak pada ahli ekonomi. Ramalan bukanlah ramalan, tetapi ramalan bersyarat dan tidak pasti.
Tugasan permohonan
Pilih siri ekonomi bulanan (cth. indeks pengeluaran perindustrian). Asingkan dan imbas untuk pecahan dengan templat pertama, ujian belakang ETS/SARIMA terhadap penanda aras naif bermusim dengan templat ke-2, hasilkan ramalan julat ke hadapan 6 bulan dengan templat ke-3. Perhatikan sama ada model anda benar-benar mengalahkan penanda aras dan tandakan sebarang pecahan struktur yang anda lihat.
senarai semak
- [ ] Saya merancang siri ini dan mendiagnosisnya dari segi trend/bermusim/pecah.
- [ ] Saya telah menggunakan pegun (log/perbezaan) jika perlu dan saya tahu sebabnya.
- [ ] Saya menyediakan penanda aras mudah dan membandingkan model kompleks dengannya.
- [ ] Saya menilai model hanya semasa tempoh ketika ia tidak dalam latihan (ujian belakang).
- [ ] Saya membentangkan anggaran dengan julat ketidakpastian, bukan satu nombor.
- [ ] Saya menyebut risiko pecah struktur/kejutan luaran sebagai amaran berasingan.
- [ ] Saya berpendapat bahawa tanggungjawab untuk ramalan dan penghakiman akhir terletak pada saya.