लाभ:
- समय श्रृङ्खला अवधारणाहरू बुझ्ने जस्तै प्रवृत्ति, मौसमीता, चक्र र स्थिरता कृत्रिम बुद्धिमत्ताको समर्थनमा र एक श्रृंखलालाई सही रूपमा पार्स गर्न सक्षम हुनु।
- ARIMA, ETS र साधारण बेन्चमार्क मोडेलहरूलाई आर्टिफिसियल इन्टेलिजेन्समा कोडको रूपमा स्थापना गर्ने, भविष्यवाणीहरू उत्पादन गर्ने र ब्याकटेस्टिङद्वारा मूल्याङ्कन गर्ने क्षमता।
- अनिश्चितता दायरा, मोडेल सीमा र संरचनात्मक ब्रेकको सामनामा पूर्वानुमानको कमजोरी बुझ्न सक्षम हुनु, र पूर्वानुमानको जिम्मेवारी अर्थशास्त्रीसँग रहन्छ।
अर्थशास्त्रको भाषा समय हो। मुद्रास्फीति, वृद्धि, बेरोजगारी, विनिमय दरहरू - ती सबै समयसँगै प्रवाह हुने श्रृंखलाहरू हुन्, र अर्थशास्त्रीलाई प्रायः सोधिने कुराहरू मध्ये एक हो "त्यसोभए अब के हुन्छ?" प्रश्न छ। यस इकाईमा, हामी समय श्रृंखला अवधारणाहरू बुझ्न, मोडेल कोड निर्माण गर्न, र पूर्वानुमानहरू उत्पादन गर्न कृत्रिम बुद्धिमत्ता प्रयोग गर्नेछौं। तर सुरुदेखि नै ढाँचालाई स्पष्ट गरौं: भविष्यवाणी भनेको भविष्यवाणी होइन, तर अनिश्चितता अन्तर्गत सशर्त भविष्यवाणी हो, र यसको जिम्मेवारी अर्थशास्त्रीको हो। AI ले तपाईंलाई ARIMA कोड मिनेटमा लेख्न सक्छ; तर त्यो भविष्यवाणी उचित छ कि छैन र संरचनात्मक विच्छेदको सामना गर्दा यो पतन हुनेछ कि भनेर निर्णय गर्ने मानिसले हो।
समय शृङ्खलाका अवयवहरू
यसले कुनै पनि आर्थिक शृङ्खलालाई चार भागमा विभाजन गरेर सोच्न मद्दत गर्छ:
- Trend (tendency). Long term direction; जस्तै अर्थव्यवस्था को विकास मार्ग।
- Seasonality. वर्षभरि नियमित रूपमा दोहोरिने ढाँचा; गर्मीमा पर्यटन बढ्छ, डिसेम्बरमा खुद्रा बढ्छ।
- Cycle (conjuncture). सिजन भन्दा लामो, अनियमित अप र डाउन; विस्तार र संकुचन को अवधि।
- Erratic/noise. अस्पष्ट, अनियमित उतार-चढ़ाव।
श्रृंखला अनुमान गर्नु अघि, यी घटकहरू विघटन गर्न आवश्यक छ। किनभने कच्चा शृङ्खला हेर्दै र "यो खस्दैछ" भनी भ्रामक हुन सक्छ: सायद तपाईं मौसमी कुण्डमा हुनुहुन्छ।
त्यहाँ स्थिरता को अवधारणा पनि छ: एक श्रृंखला को सांख्यिकीय गुण (अर्थ, भिन्नता) समय संग परिवर्तन गर्दैन। अधिकांश आर्थिक श्रृंखलाहरू स्थिर छैनन् (लगातार बढ्दै); धेरै मोडेलहरूलाई फरक (अर्कोबाट एक अवधि घटाउने) वा निर्माण गर्नु अघि लोगारिदमको साथ स्थिरीकरण आवश्यक हुन्छ। AI ले यी चरणहरू सिफारिस गर्छ, तर तिनीहरू किन आवश्यक छन् भन्ने थाहा पाउँदा तपाईंलाई सुरक्षा दिन्छ।
सुझाव: सँधै भविष्यवाणी गर्नु अघि श्रृंखला प्लट गर्नुहोस् र विघटन गर्नुहोस्। एउटा स्पष्ट संरचनात्मक ब्रेक (जस्तै संकट वा मुद्रा सुधार) ले सबैभन्दा उन्नत मोडेललाई पनि मूर्ख बनाउँछ। चार्ट सस्तो डायग्नोस्टिक उपकरण हो।
मोडेलहरू: सरल देखि जटिल, तर पहिले बेन्चमार्क
समय श्रृंखला पूर्वानुमान मा सुनौलो नियम: सधैं एक साधारण बेन्चमार्क मोडेल संग सुरु गर्नुहोस्। सरल भविष्यवाणी भनेको "भोली पूर्वानुमान" हो: भोलि आजको बराबर हुनेछ (वा मौसमी भोली: यो महिना गत वर्षको समान महिना हो)। यदि जटिल मोडेलले यो भोली भविष्यवाणीलाई हराउन सक्दैन भने, जटिलता व्यर्थ छ।
त्यसपछि अक्सर प्रयोग विधिहरू:
- ETS / घातीय स्मूथिङ। एक परिवार जसले स्तर, प्रवृत्ति र मौसमीतालाई वजन दिएर नरम बनाउँछ।
- CALLING. अटोरेग्रेसिभ (विगतका मानहरूमा आधारित) र चल्ने औसत घटकहरू संयोजन गर्ने शास्त्रीय मोडेल; seasonal version SARIMA.
- प्रतिगमन-आधारित/व्याख्यात्मक मोडेलहरू। अन्य सूचकहरू (जस्तै आय र मूल्य द्वारा माग) संग एक चर व्याख्या।
AI ले यी सबैलाई statsmodels (Python library) मा कोड गर्न सक्छ। तपाईको काम मोडेलहरू छान्नु र प्रमाणित गर्नु हो।
ब्याकटेस्ट: भविष्यवाणीको परीक्षण
यदि कुनै मोडेल ऐतिहासिक डेटासँग "राम्रोसँग फिट हुन्छ" भने यसको कुनै अर्थ छैन; कुनै पनि मोडेल फिट गर्न पर्याप्त लचिलो (यसलाई ओभरफिटिंग भनिन्छ)। वास्तविक प्रश्न: मोडेलले नदेखेको अवधिको भविष्यवाणी कत्तिको राम्रोसँग गर्छ? यसलाई मापन गर्न, तपाइँ ब्याकटेस्टिङ गर्नुहुन्छ: तपाइँ मितिमा डेटा विभाजित गर्नुहुन्छ, अघिल्लो भागको साथ मोडेललाई तालिम दिनुहुन्छ, यसलाई "भविष्य जस्तै" अर्को भाग भविष्यवाणी गर्नुहोस् र यसलाई वास्तविकतासँग तुलना गर्नुहोस्। त्रुटि उपायहरू (उदाहरणका लागि, MAE — मतलब निरपेक्ष त्रुटि, वा RMSE — मूल मतलब वर्ग त्रुटि) तपाईंलाई मोडेललाई बेन्चमार्कसँग तुलना गर्न अनुमति दिन्छ।
सावधानी: तपाईंले मूल्याङ्कन गर्नुभएको डाटाको साथ मोडेललाई तालिम नदिनुहोस्। प्रशिक्षणमा प्रयोग नगरिएको अवधिहरूमा मात्र भविष्यवाणी सफलता मापन गर्नुहोस्। नत्र तिमी आफैलाई धोका दिनेछौ; मोडेल कागजमा उत्कृष्ट बाहिर जान्छ तर वास्तविकतामा बेकार।
अनिश्चितता: दायरा, बिन्दु अनुमान होइन
एकल सङ्ख्या ("मुद्रास्फीति वर्षको अन्त्यसम्ममा २४ प्रतिशत हुनेछ")ले झूटो निश्चितता देखाउँछ। इमानदार अनुमानले दायरा र सम्भावना समावेश गर्दछ: "21-27 प्रतिशत ब्यान्डमा, केन्द्र परिदृश्य 24 प्रतिशत हो"। पूर्वानुमान अनिश्चितता मोडेल द्वारा उत्पादित विश्वास अन्तरालहरूमा व्यक्त गरिएको छ; तर वास्तविक अनिश्चितता यो भन्दा ठूलो छ, किनभने मोडेल धारणाहरू पनि गलत हुन सक्छन्। संरचनात्मक ब्रेक (नीति परिवर्तन, बाह्य झटका) सबैभन्दा ठूलो जोखिम हो जुन मोडेलले देख्न सक्दैन।
तीन मिनी केसहरू
केस १ - बेन्चमार्कलाई हराउन असफल। एक विश्लेषकले मासिक खुद्रा बिक्रीको लागि एआईले जटिल SARIMA निर्माण गरेको थियो। ब्याकटेस्टमा, मोडेलको औसत निरपेक्ष त्रुटि मौसमी भोली पूर्वानुमान भन्दा खराब थियो जुन "यो महिना गत वर्षको समान महिना बराबर छ।" विश्लेषक जटिल मोडेल त्याग्यो; उसले साधारण अनुमानलाई आधारको रूपमा लिए र एक विशेषज्ञ सुधार थप्यो। Simplicity wins.
केस 2 - संरचनात्मक ब्रेक। एक संस्थाले मुद्रास्फीति मोडेल प्रयोग गर्यो जुन आघात पछिको अवधिको लागि विनिमय दर झटका अघि डाटासँग प्रशिक्षित भयो। मोडेलले मुद्रास्फीतिलाई गम्भीर रूपमा कम आकलन गर्यो किनभने यसले विगतको शान्त अवधिको गतिशीलतालाई ग्रहण गर्यो। पाठ: मोडेलले संसारलाई ग्रहण गर्दछ जसमा यो प्रशिक्षित छ; जब संसार परिवर्तन हुन्छ, भविष्यवाणी पतन हुन्छ। यदि अर्थशास्त्रीले ग्राफमा हेरे भने, उसले ब्रेक देख्नेछ।
केस ३ - दायराको इमानदारी। एक अर्थशास्त्रीले व्यवस्थापनलाई एकल आंकडाको रूपमा होइन, तर "३.०-४.२ प्रतिशत ब्यान्डको रूपमा, यी अन्तर्निहित अनुमानहरू हुन्।" वर्षको अन्त्यमा, प्राप्ति 3.6 प्रतिशत थियो; It was in the band. यदि उसले एउटै नम्बर दिएको भए, उसलाई "गलत" लेबल गरिएको हुन सक्छ; दायरा र अनुमानहरू दुवै इमानदार र राखिएको विश्वास थियो।
Model selection table
स्थिति
proper start
नोट
Every guesswork
भोली / मौसमी भोली बेन्चमार्क
The base to beat
प्रवृत्ति + मौसमी, समतल
ETS (घातात्मक स्मूथिङ)
स्थापना र टिप्पणी गर्न सजिलो
Autocorrelated series
(S)ARIMA
Needs stabilization
त्यहाँ एक व्याख्यात्मक चर छ
Regression based
भविष्यको भविष्यवाणी गर्नेहरू पनि हुनुपर्छ
संरचना बिग्रिएको आशंका
मोडेल + विशेषज्ञ सुधार
Pure model is not enough
चार प्रतिलिपि गर्न मिल्ने टेम्प्लेटहरू
1) पार्सिङ र निदान:
त्यो मासिक शृङ्खला [श्रृङ्खला] प्लट गर्नुहोस्, त्यसपछि यसलाई प्रवृत्ति/मौसम/अवशिष्ट कम्पोनेन्टहरू (statsmodels) मा अलग गर्नुहोस्। जाँच गर्नुहोस् कि यो स्थिर (ADF परीक्षण) हो र, यदि आवश्यक भएमा, कुन रूपान्तरण (लग, भिन्नता) तपाइँ सिफारिस गर्नुहुन्छ भनेर व्याख्या गर्नुहोस्। चार्टमा देखिने संरचनात्मक ब्रेक छ भने चिन्ह लगाउनुहोस्।
2) बेन्चमार्क + मोडेल तुलना:
पहिले यो शृङ्खलाको लागि मौसमी भोली बेन्चमार्क पूर्वानुमान स्थापना गर्नुहोस्। त्यसपछि ETS र SARIMA सेटअप गर्नुहोस्। MAE र RMSE मा आधारित सबै तीनलाई ब्याकटेस्टसँग तुलना गर्नुहोस् (पछिल्लो १२ महिनाको परीक्षण)। परिणामहरू तालिकाबद्ध गर्नुहोस् र कुन मोडेलले बेन्चमार्कलाई हराएको स्पष्ट रूपमा बताउनुहोस्।
3) अनुमान र अनिश्चितता दायरा:
मैले रोजेको मोडेलको लागि अर्को 6 अवधिहरू पूर्वानुमान गर्नुहोस् र 80%/95% आत्मविश्वास अन्तरालहरू दिनुहोस्। अनुमानलाई दायराको रूपमा प्रस्तुत गर्नुहोस्, एकल संख्याको रूपमा होइन। यो प्रस्ट पार्नुहोस् कि यो दायराले मोडेलको अनिश्चिततालाई मात्र समेट्छ, संरचनात्मक विच्छेद/बाह्य झटकाको जोखिम होइन।
4) Backtest reading:
यी ब्याकटेस्ट परिणामहरू व्याख्या गर्नुहोस् [तालिका]। के मोडेलले वास्तवमा बेन्चमार्कलाई हराउँछ, वा भिन्नता सांख्यिकीय रूपमा नगण्य छ? कुन अवधिहरूमा तपाईंको मोडेलले सबैभन्दा धेरै गल्तीहरू गर्यो र यसको सम्भावित आर्थिक कारण (संकट, मौसमी परिवर्तन) लाई प्रश्न गर्नुहोस्।
कमजोर प्रम्प्ट / बलियो प्रम्प्ट
कमजोर प्रम्प्ट:
Guess this series.
आर्टिफिसियल इन्टेलिजेन्सले अनियमित मोडेल बनाउँछ, ब्याकटेस्ट गर्दैन, बिजोर संख्या दिन्छ; तपाईलाई थाहा छैन कि मोडेलले काम गर्छ वा गर्दैन।
शक्तिशाली प्रम्प्ट:
पहिले हालको मासिक मुद्रास्फीति शृङ्खला विघटन गर्नुहोस् र ब्रेकहरूको लागि स्क्यान गर्नुहोस्। मौसमी भोली बेन्चमार्क विरुद्ध पछिल्लो १२ महिनामा ब्याकटेस्ट ETS र SARIMA, MAE सँग तुलना गर्नुहोस्। बेन्चमार्कलाई हराउने मोडेल छनौट गर्नुहोस्, 6 महिना अगाडि पूर्वानुमान दिनुहोस् र 80% दायरा राख्नुहोस्। संरचनात्मक विच्छेदको जोखिमलाई छुट्टै चेतावनीको रूपमा लेख्नुहोस्। प्रत्येक चरण र सारांश नम्बरहरूको लागि कोड देखाउनुहोस् जुन मैले म्यानुअल रूपमा प्रमाणित गर्न सक्छु।
सामान्य गल्तीहरू
- बेन्चमार्कहरू सेट अप नगरिकन जटिल मोडेलमा जाँदै। जटिलता सफलता बराबर छैन।
- यसमा प्रशिक्षित डेटामा मोडेलको मूल्याङ्कन गर्दै। सफलताको लागि अत्यधिक अनुपालन गलत गर्दै।
- एकल बिन्दु अनुमान दिँदै। False certainty; दायरा र अनुमान आवश्यक छ।
- संरचनात्मक ब्रेकलाई बेवास्ता गर्दै। अन्धो भएर विगतको गतिशीलतालाई भविष्यमा लैजान्छ।
- Skipping stabilization. नक्कली सम्बन्ध र विकृत भविष्यवाणी।
- भविष्यवाणीलाई भविष्यवाणीको रूपमा प्रस्तुत गर्दै। अनिश्चितता र जिम्मेवारी लुकाउनुहोस्।
संक्षेपमा
समय शृङ्खलाको पूर्वानुमानलाई त्यसका कम्पोनेन्टहरूमा शृङ्खला अलग गरेर, यसलाई स्थिर बनाएर, साधारण बेन्चमार्क स्थापना गरी, ब्याकटेस्टिङद्वारा मोडेलहरू तुलना गरेर, अनिश्चितता दायरासँग इमानदारीपूर्वक नतिजा प्रस्तुत गरेर गरिन्छ। कृत्रिम बुद्धिमत्ताले यी सबै चरणहरूको लागि द्रुत रूपमा कोड उत्पन्न गर्दछ; तर मोडल छनोट, संरचनात्मक ब्रेक जजमेन्ट र प्रक्षेपणको जिम्मेवारी अर्थशास्त्रीको हो। भविष्यवाणी भनेको भविष्यवाणी होइन, तर सशर्त र अनिश्चित भविष्यवाणी हो।
आवेदन कार्य
मासिक आर्थिक श्रृंखला (जस्तै औद्योगिक उत्पादन सूचकांक) छान्नुहोस्। पहिलो टेम्प्लेटसँग ब्रेकआउटहरूका लागि अलग गर्नुहोस् र स्क्यान गर्नुहोस्, दोस्रो टेम्प्लेटको साथ मौसमी भोली बेन्चमार्क विरुद्ध ब्याकटेस्ट ETS/SARIMA, तेस्रो टेम्प्लेटको साथ 6-महिना अगाडि दायरा पूर्वानुमान उत्पादन गर्नुहोस्। ध्यान दिनुहोस् कि तपाईंको मोडेलले वास्तवमा बेन्चमार्कलाई हराउँछ र तपाईंले देख्नुहुने कुनै पनि संरचनात्मक ब्रेकहरू झण्डा लगाउनुहोस्।
चेकलिस्ट
- [ ] मैले शृङ्खला प्लट गरें र प्रवृत्ति/मौसम/ब्रेकको सन्दर्भमा यसलाई निदान गरें।
- यदि आवश्यक भएमा मैले स्टेशनराइजेशन (लग/भिन्नता) लागू गरेको छु र मलाई कारण थाहा छ।
- [ ] मैले एक साधारण बेन्चमार्क सेट अप गरें र यसको विरुद्ध जटिल मोडेल तुलना गरें।
- [ ] मैले मोडेललाई प्रशिक्षणमा नभएको अवधिमा मात्र मूल्याङ्कन गरें (ब्याकटेस्ट)।
- [ ] मैले एकल संख्या होइन, अनिश्चितता दायराको साथ अनुमान प्रस्तुत गरें।
- [] मैले संरचनात्मक ब्रेक/बाह्य झटका जोखिमलाई छुट्टै चेतावनीको रूपमा उल्लेख गरेको छु।
- [ ] मैले भविष्यवाणी र अन्तिम निर्णयको जिम्मेवारी मेरो हो भन्ने कुरा राखें।