Gevinster:
- Forstå tidsseriekonsepter som trend, sesongmessighet, syklus og stasjonaritet med støtte fra kunstig intelligens og å kunne analysere en serie riktig
- Evne til å installere ARIMA, ETS og enkle benchmark-modeller i kunstig intelligens som kode, produsere spådommer og evaluere dem med backtesting
- Å kunne forstå skjørheten i prognosen i møte med usikkerhetsområde, modellgrense og strukturelt brudd, og opprettholde at ansvaret for prognosen forblir hos økonomen.
Økonomiens språk er tid. Inflasjon, vekst, arbeidsledighet, valutakurser — de er alle serier som flyter over tid, og en av tingene økonomen oftest blir spurt om er "så hva skjer videre?" er spørsmålet. I denne enheten vil vi bruke kunstig intelligens til å forstå tidsseriekonsepter, bygge modellkode og produsere prognoser. Men la oss tydeliggjøre rammene helt fra begynnelsen: En prognose er ikke en profeti, men en betinget spådom under usikkerhet, og ansvaret ligger hos økonomen. AI kan skrive ARIMA-koden til deg på få minutter; Men det er mennesket som bestemmer om den spådommen er rimelig eller ikke, og om den vil kollapse i møte med et strukturelt brudd.
Komponenter i en tidsserie
Det hjelper å tenke på enhver økonomisk serie ved å dele den opp i fire deler:
- Trend (tendens). Langsiktig retning; som vekstbanen til økonomien.
- Sesongvariasjoner. Mønster som gjentas jevnlig gjennom året; Turismen øker om sommeren, detaljhandelen øker i desember.
- Syklus (konjunktur). Lengre enn sesongen, uregelmessige opp- og nedturer; perioder med ekspansjon og sammentrekning.
- Uregelmessig/støy. Uforklarlig, tilfeldig svingning.
Før man estimerer en serie, er det nødvendig å dekomponere disse komponentene. Fordi det kan være misvisende å se på den rå serien og si «den faller»: kanskje er du bare i et sesongbunn.
Det er også begrepet stasjonaritet: de statistiske egenskapene (gjennomsnitt, varians) til en serie endres ikke over tid. De fleste økonomiske serier er ikke stasjonære (vokser stadig); Mange modeller krever forskjell (trekke fra en periode fra en annen) eller stasjonarisering med logaritmer før bygging. AI anbefaler disse trinnene, men å vite hvorfor de trengs, beskytter deg.
Tips: Plott og dekomponer alltid serien før du forutsier. Et tilsynelatende strukturelt brudd (for eksempel en krise eller valutareform) vil lure selv den mest avanserte modellen. Diagrammet er det billigste diagnoseverktøyet.
Modeller: fra enkle til komplekse, men først benchmark
Den gylne regel i tidsserieprognoser: start alltid med en enkel referansemodell. Den enkleste prognosen er den "naive prognosen": i morgen vil være lik i dag (eller sesongmessig naiv: denne måneden tilsvarer samme måned i fjor). Hvis en kompleks modell ikke kan slå denne naive spådommen, er kompleksitet fåfengt.
Deretter ofte brukte metoder:
- ETS / Eksponentiell utjevning. En familie som myker opp nivå, trend og sesongvariasjoner ved å vekte dem.
- RINGER. Den klassiske modellen som kombinerer autoregressive (basert på tidligere verdier) og glidende gjennomsnittskomponenter; sesongbasert versjon SARIMA.
- Regresjonsbaserte/forklaringsmodeller. Forklare en variabel med andre indikatorer (f.eks. etterspørsel etter inntekt og pris).
AI kan kode alle disse i statsmodeller (Python-biblioteket). Din jobb er å velge og validere modeller.
Tilbaketest: test av prediksjon
Det betyr ingenting om en modell «passer fint» med historiske data; Fleksibel nok til å passe til enhver modell (dette kalles overfitting). Det virkelige spørsmålet: hvor godt predikerer modellen perioder den ikke har sett? For å måle dette gjør du backtesting: du deler dataene på en dato, trener modellen med forrige del, lar den forutsi neste del «som om den var fremtiden» og sammenligner den med virkeligheten. Feilmål (for eksempel MAE — gjennomsnittlig absolutt feil, eller RMSE — rotmiddelkvadratfeil) lar deg sammenligne modellen med referansen.
Forsiktig: Ikke tren modellen med dataene du evaluerte. Mål prediksjonssuksess bare i perioder som ikke brukes i trening. Ellers vil du lure deg selv; Modellen blir flott på papiret, men ubrukelig i virkeligheten.
Usikkerhet: rekkevidde, ikke punktestimat
Et enkelt tall ("inflasjonen vil være 24 prosent ved utgangen av året") utstråler falsk sikkerhet. Det ærlige anslaget inkluderer en rekkevidde og sannsynlighet: "i båndet 21-27 prosent er senterscenarioet 24 prosent". Prognoseusikkerhet uttrykkes i konfidensintervallene som modellen produserer; men den reelle usikkerheten er større enn dette, fordi modellforutsetninger også kan være feil. Strukturelt brudd (policyendring, eksternt sjokk) er den største risikoen som modellen ikke kan se.
tre minisaker
Tilfelle 1 – Klarer ikke å slå referanseindeksen. En analytiker fikk AI til å bygge en kompleks SARIMA for månedlig detaljhandel. I baktesten var modellens gjennomsnittlige absolutte feil verre enn den sesongmessige naive prognosen som sa "denne måneden er lik samme måned i fjor." Analytikeren forlot den komplekse modellen; Han la den naive gjetningen til grunn og la til en ekspertretting. Enkelheten vinner.
Tilfelle 2 — Strukturelt brudd. En institusjon brukte inflasjonsmodellen den trente med data før valutakurssjokket for perioden etter sjokk. Modellen undervurderte inflasjonen kraftig fordi den antok dynamikken fra den siste rolige perioden. Leksjon: modellen antar verden den er trent i; Når verden forandrer seg, kollapser spådommen. Hvis økonomen så på grafen, ville han se bruddet.
Case 3 — Ærlighet i utvalget. En økonom presenterte sin vekstprognose for årsskiftet for ledelsen ikke som et enkelt tall, men som "3,0-4,2 prosent bånd, dette er de underliggende forutsetningene." Ved utgangen av året var realiseringen 3,6 prosent; Det var i bandet. Hvis han hadde gitt et enkelt tall, kunne han ha blitt merket som "feil"; rekkevidde og forutsetninger var både ærlige og opprettholdt tillit.
Modellvalgstabell
Status
riktig start
merk
Hver gjetning
Naiv / sesongmessig naiv benchmark
Basen å slå
Trend + sesongvariasjon, flat
ETS (eksponentiell utjevning)
Enkel å installere og kommentere
Autokorrelerte serier
(S)ARIMA
Trenger stabilisering
Det er en forklarende variabel
Regresjonsbasert
Fremtidens spådommere må også
Mistanke om strukturelt brudd
Modell + ekspertretting
Ren modell er ikke nok
Fire kopierbare maler
1) Parsing og diagnose:
Plott den månedlige serien [serien], og del den deretter i trend/sesongvariasjoner/restkomponenter (statsmodeller). Sjekk om den er stasjonær (ADF-test) og forklar om nødvendig hvilken transformasjon (logg, differanse) du anbefaler. Merk om det er et synlig strukturelt brudd i diagrammet.
2) Benchmark + modellsammenligning:
Opprett først en sesongmessig naiv benchmark-prognose for denne serien. Sett deretter opp en ETS og en SARIMA. Sammenlign alle tre basert på MAE og RMSE med en backtest (testing de siste 12 månedene). Tabell resultatene og angi tydelig hvilken modell som slo referansen.
3) Estimat og usikkerhetsområde:
Forutsi de neste 6 periodene for modellen jeg valgte og gi 80%/95% konfidensintervaller. Presenter estimatet som et område, ikke som et enkelt tall. Gjør det klart at denne serien KUN dekker modellusikkerhet, ikke risikoen for strukturelle brudd/eksternt sjokk.
4) Tilbaketestlesing:
Tolk disse tilbaketestresultatene [tabell]. Slår modellen faktisk referansen, eller er forskjellen statistisk ubetydelig? Oppgi i hvilke perioder modellen din gjorde flest feil og sett spørsmålstegn ved den mulige økonomiske årsaken til dette (krise, sesongmessige endringer).
Svak forespørsel / Sterk forespørsel
Svak melding:
Gjett denne serien.
Kunstig intelligens bygger en tilfeldig modell, backtester ikke, gir et oddetall; Du vet ikke om modellen fungerer eller ikke.
Kraftig ledetekst:
Dekomponer først den nåværende månedlige inflasjonsserien og søk etter pauser. Tilbaketest ETS og SARIMA de siste 12 månedene mot en sesongmessig naiv benchmark, sammenlignet med MAE. Velg modellen som slår referansen, gi en 6 måneders prognose fremover og sett en rekkevidde på 80 %. Skriv risikoen for strukturelle brudd som en egen advarsel. Vis koden for hvert trinn og sammendragstall som jeg kan bekrefte manuelt.
Vanlige feil
- Hoppe inn i kompleks modell uten å sette opp benchmarks. Kompleksitet er ikke lik suksess.
- Evaluering av modellen på dataene den trente på. Å ta feil av overdreven etterlevelse for suksess.
- Gi et enkelt poeng estimat. Falsk sikkerhet; rekkevidde og forutsetning nødvendig.
- Ignorerer det strukturelle bruddet. Blindt bære fortidens dynamikk inn i fremtiden.
- Hopp over stabilisering. Falske forhold og forvrengt spådom.
- Presentere spådommen som en profeti. Skjuler usikkerhet og ansvar.
Oppsummert
Tidsserieprognoser gjøres ved å separere en serie i dens komponenter, gjøre den stasjonær, etablere en enkel benchmark, sammenligne modellene ved backtesting, og presentere resultatet ærlig med usikkerhetsområdet. Kunstig intelligens genererer raskt koden for alle disse trinnene; Men ansvaret for modellvalg, strukturell bruddvurdering og prognoser ligger hos økonomen. En spådom er ikke en profeti, men en betinget og usikker spådom.
Søknadsoppgave
Velg en månedlig økonomisk serie (f.eks. industriproduksjonsindeks). Separer og skann for utbrudd med den første malen, test ETS/SARIMA tilbake mot den sesongmessige naive referansen med den andre malen, lag en 6-måneders prognose for rekkevidde med den tredje malen. Legg merke til om modellen din faktisk slår standarden og flagg eventuelle strukturelle brudd du ser.
sjekkliste
- [ ] Jeg plottet serien og diagnostiserte den med tanke på trend/sesongvariasjon/brudd.
- [ ] Jeg har brukt stasjonarisering (logg/forskjell) om nødvendig og jeg vet årsaken.
- [ ] Jeg satte opp en enkel benchmark og sammenlignet den komplekse modellen mot den.
- [ ] Jeg evaluerte modellen kun i de periodene den ikke var i trening (backtest).
- [ ] Jeg presenterte estimatet med et usikkerhetsområde, ikke et enkelt tall.
- [ ] Jeg nevnte strukturbrudd/ekstern sjokkrisiko som en egen advarsel.
- [ ] Jeg hevdet at ansvaret for prediksjon og endelig dom ligger hos meg.