Zyski:
- Zrozumienie pojęć szeregów czasowych, takich jak trend, sezonowość, cykl i stacjonarność, przy wsparciu sztucznej inteligencji i umiejętności prawidłowego analizowania szeregów
- Możliwość zainstalowania ARIMA, ETS i prostych modeli porównawczych w sztucznej inteligencji w postaci kodu, tworzenia prognoz i oceny ich za pomocą testów historycznych
- Umiejętność zrozumienia kruchości prognozy w obliczu zakresu niepewności, limitu modelu i załamania strukturalnego oraz utrzymywania, że odpowiedzialność za prognozę pozostaje po stronie ekonomisty.
Językiem ekonomii jest czas. Inflacja, wzrost, bezrobocie, kursy walut – to wszystko szeregi, które płyną w czasie, a jedną z najczęściej zadawanych pytań ekonomistom jest: „Co będzie dalej?” jest pytanie. W tej części wykorzystamy sztuczną inteligencję do zrozumienia koncepcji szeregów czasowych, zbudowania kodu modelu i tworzenia prognoz. Ale wyjaśnijmy ramy od samego początku: prognoza nie jest proroctwem, ale warunkową prognozą w warunkach niepewności, a odpowiedzialność spoczywa na ekonomiście. AI może napisać Ci kod ARIMA w ciągu kilku minut; Ale to człowiek decyduje, czy ta prognoza jest uzasadniona, czy nie i czy zawali się w obliczu załamania strukturalnego.
Składniki szeregu czasowego
Warto pomyśleć o dowolnym szeregu ekonomicznym, dzieląc go na cztery części:
- Trend (tendencja). Kierunek długoterminowy; takich jak ścieżka wzrostu gospodarki.
- Sezonowość. Wzór powtarzający się regularnie przez cały rok; Turystyka rośnie latem, handel detaliczny rośnie w grudniu.
- Cykl (koniukcja). Dłuższe niż sezon, nieregularne wzloty i upadki; okresy ekspansji i kurczenia się.
- Nieregularny/hałas. Niewyjaśnione, losowe wahania.
Przed oszacowaniem szeregu należy dokonać dekompozycji tych składowych. Ponieważ patrzenie na surowe serie i stwierdzenie „spada” może wprowadzić w błąd: być może po prostu znajdujesz się w sezonowym dołku.
Istnieje również koncepcja stacjonarności: właściwości statystyczne (średnia, wariancja) szeregu nie zmieniają się w czasie. Większość szeregów ekonomicznych nie jest stacjonarna (stale rosnąca); Wiele modeli wymaga różnicowania (odejęcia jednego okresu od drugiego) lub stacjonalizacji za pomocą logarytmów przed zbudowaniem. Sztuczna inteligencja zaleca te kroki, ale wiedza o tym, dlaczego są one potrzebne, chroni Cię.
Wskazówka: Zawsze przed wykonaniem przewidywania należy narysować i rozłożyć serię. Pozorne załamanie strukturalne (np. kryzys lub reforma walutowa) zwiedzie nawet najbardziej zaawansowany model. Wykres jest najtańszym narzędziem diagnostycznym.
Modele: od prostych do złożonych, ale najpierw punkt odniesienia
Złota zasada prognozowania szeregów czasowych: zawsze zaczynaj od prostego modelu porównawczego. Najprostsza prognoza to „prognoza naiwna”: jutro będzie równe dzisiaj (lub naiwność sezonowa: ten miesiąc równa się temu samemu miesiącowi w zeszłym roku). Jeśli złożony model nie jest w stanie pokonać tej naiwnej prognozy, złożoność jest daremna.
Następnie często stosowane metody:
- ETS / Wygładzanie wykładnicze. Rodzina, która łagodzi poziom, trend i sezonowość poprzez ich ważenie.
- POWOŁANIE. Klasyczny model łączący elementy autoregresyjne (oparte na wartościach przeszłych) i średnie ruchome; wersja sezonowa SARIMA.
- Modele regresyjne/objaśniające. Wyjaśnianie zmiennej innymi wskaźnikami (np. popytem dochodowym i cenowym).
Sztuczna inteligencja może kodować to wszystko w modelach statystycznych (biblioteka Pythona). Twoim zadaniem jest wybór i walidacja modeli.
Backtest: test przewidywania
Nie ma to żadnego znaczenia, jeśli model „dobrze pasuje” do danych historycznych; Wystarczająco elastyczny, aby dopasować się do każdego modelu (nazywa się to nadmiernym dopasowaniem). Prawdziwe pytanie: jak dobrze model przewiduje okresy, których nie widział? Aby to zmierzyć, przeprowadzasz weryfikację historyczną: dzielisz dane według daty, trenujesz model na podstawie poprzedniej części, pozwalasz mu przewidzieć następną część „jakby to była przyszłość” i porównać ją z rzeczywistością. Miary błędów (na przykład MAE – średni błąd bezwzględny lub RMSE – błąd średniokwadratowy) umożliwiają porównanie modelu z punktem odniesienia.
Przestroga: Nie trenuj modelu na podstawie ocenionych danych. Mierz skuteczność przewidywania tylko w okresach nie wykorzystywanych w szkoleniu. W przeciwnym razie oszukasz siebie; Model na papierze wygląda świetnie, ale w rzeczywistości jest bezużyteczny.
Niepewność: zakres, a nie oszacowanie punktowe
Pojedyncza liczba („inflacja do końca roku wyniesie 24 proc.”) emanuje fałszywą pewnością. Uczciwy szacunek uwzględnia zakres i prawdopodobieństwo: „w przedziale 21–27 procent scenariusz środkowy to 24 procent”. Niepewność prognozy wyraża się w przedziałach ufności utworzonych przez model; ale rzeczywista niepewność jest większa, ponieważ założenia modelu również mogą być błędne. Załamanie strukturalne (zmiana polityki, szok zewnętrzny) to największe ryzyko, którego model nie widzi.
trzy mini etui
Przypadek 1 — Nieprzekroczenie poziomu odniesienia. Analityk zlecił AI zbudowanie złożonej SARIMY na potrzeby miesięcznej sprzedaży detalicznej. W teście historycznym średni błąd bezwzględny modelu był większy niż sezonowa naiwna prognoza, która głosiła, że „ten miesiąc jest równy temu samemu miesiącowi w zeszłym roku”. Analityk porzucił złożony model; Za podstawę przyjął naiwne domysły i dodał fachową korektę. Prostota wygrywa.
Przypadek 2 — Pęknięcie konstrukcyjne. Instytucja zastosowała model inflacji, który przeszkoliła na podstawie danych sprzed szoku kursowego dla okresu po szoku. Model znacznie zaniżył inflację, ponieważ przyjął dynamikę minionego spokojnego okresu. Lekcja: model zakłada świat, w którym jest szkolony; Kiedy świat się zmienia, prognozy się załamują. Gdyby ekonomista spojrzał na wykres, zobaczyłby wybicie.
Przypadek 3 — Uczciwość asortymentu. Ekonomista przedstawił zarządowi swoją prognozę wzrostu na koniec roku nie jako pojedynczą liczbę, ale jako „przedział 3,0–4,2% – takie są podstawowe założenia”. Na koniec roku realizacja wyniosła 3,6 proc.; To było w zespole. Gdyby podał choć jeden numer, mógłby zostać uznany za „błędnego”; zakres i założenia były zarówno uczciwe, jak i utrzymywane w oparciu o zaufanie.
Tabela wyboru modelu
Stan
właściwy początek
uwaga
Każde domysły
Naiwny / sezonowy naiwny punkt odniesienia
Baza do pokonania
Trend + sezonowość, płaska
ETS (wygładzanie wykładnicze)
Łatwy w instalacji i komentowaniu
Szereg autokorelowany
(S)ARIMA
Potrzebuje stabilizacji
Istnieje zmienna objaśniająca
Oparta na regresji
Prognozy przyszłości również muszą
Podejrzenie pęknięcia strukturalnego
Model + korekta ekspercka
Czysty model nie wystarczy
Cztery szablony do kopiowania
1) Analiza i diagnoza:
Narysuj tę miesięczną serię [seria], a następnie podziel ją na trend/sezonowość/składniki rezydualne (modele statystyczne). Sprawdź, czy jest stacjonarny (test ADF) i jeśli to konieczne, wyjaśnij, jaką transformację (log, różnica) zalecasz. Zaznacz, czy na wykresie występuje widoczna przerwa strukturalna.
2) Benchmark + porównanie modeli:
Najpierw ustal sezonową naiwną prognozę porównawczą dla tej serii. Następnie skonfiguruj ETS i SARIMA. Porównaj wszystkie trzy w oparciu o MAE i RMSE z testem historycznym (testowanie ostatnich 12 miesięcy). Zestawienie wyników i jasne określenie, który model przekroczył benchmark.
3) Oszacowanie i zakres niepewności:
Prognozuj kolejne 6 okresów dla wybranego przeze mnie modelu i podaj przedziały ufności 80%/95%. Przedstaw oszacowanie jako zakres, a nie pojedynczą liczbę. Wyjaśnij, że ten zakres obejmuje TYLKO niepewność modelu, a nie ryzyko pęknięcia konstrukcji/wstrząsu zewnętrznego.
4) Odczyt testu historycznego:
Zinterpretuj wyniki analizy historycznej [tabela]. Czy model faktycznie przewyższa benchmark, czy też różnica jest nieistotna statystycznie? Określ, w jakich okresach Twój model popełnił najwięcej błędów i zapytaj o możliwą przyczynę ekonomiczną (kryzys, zmiana sezonowa).
Słaba zachęta/silna zachęta
Słaba zachęta:
Zgadnij tę serię.
Sztuczna inteligencja buduje losowy model, nie przeprowadza analizy historycznej, podaje liczbę nieparzystą; Nie wiesz, czy model działa, czy nie.
Potężny monit:
Najpierw rozłóż bieżący miesięczny ciąg inflacji i wyszukaj przerwy. Test historyczny ETS i SARIMA z ostatnich 12 miesięcy w porównaniu z sezonowym naiwnym punktem odniesienia, porównaj z MAE. Wybierz model, który przewyższa benchmark, podaj prognozę na 6 miesięcy i podaj zakres 80%. Zapisz ryzyko uszkodzenia konstrukcji jako osobne ostrzeżenie. Pokaż kod każdego kroku i liczby podsumowujące, które mogę zweryfikować ręcznie.
Typowe błędy
- Przeskok do złożonego modelu bez ustawiania benchmarków. Złożoność nie jest równa sukcesowi.
- Ocena modelu na podstawie danych, na których był trenowany. Mylenie nadmiernej uległości z sukcesem.
- Podawanie jednopunktowej oceny. Fałszywa pewność; wymagany zakres i założenia.
- Ignorowanie pęknięcia strukturalnego. Ślepe przenoszenie dynamiki przeszłości w przyszłość.
- Pomijam stabilizację. Fałszywe relacje i zniekształcone przewidywania.
- Przedstawianie przepowiedni jako proroctwa. Ukrywanie niepewności i odpowiedzialności.
Podsumowując
Prognozowanie szeregów czasowych polega na rozdzieleniu serii na składowe, unieruchomieniu jej, ustaleniu prostego punktu odniesienia, porównaniu modeli poprzez weryfikację historyczną i rzetelnym przedstawieniu wyniku wraz z zakresem niepewności. Sztuczna inteligencja szybko generuje kod dla wszystkich tych kroków; Jednak odpowiedzialność za wybór modelu, ocenę załamania strukturalnego i prognozowanie spoczywa na ekonomiście. Przepowiednia nie jest proroctwem, ale przepowiednią warunkową i niepewną.
Zadanie aplikacji
Wybierz miesięczny szereg ekonomiczny (np. wskaźnik produkcji przemysłowej). Oddziel i przeskanuj wybicia za pomocą pierwszego szablonu, wykonaj test historyczny ETS/SARIMA w porównaniu z sezonowym naiwnym benchmarkiem za pomocą drugiego szablonu, a następnie utwórz 6-miesięczną prognozę zasięgu forward za pomocą trzeciego szablonu. Zwróć uwagę, czy Twój model rzeczywiście przewyższa standardy, i oznacz wszelkie widoczne uszkodzenia strukturalne.
lista kontrolna
- [ ] Wykreśliłem szereg i zdiagnozowałem go pod kątem trendu/sezonowości/przerwy.
- [ ] Jeśli to konieczne, zastosowałem stacjonarność (log/różnica) i znam przyczynę.
- [ ] Przygotowałem prosty benchmark i porównałem z nim złożony model.
- [ ] Model oceniałem tylko w okresach, kiedy nie był on w trakcie treningu (backtest).
- [ ] Szacunek przedstawiłem z zakresem niepewności, a nie pojedynczą liczbą.
- [ ] Jako osobne ostrzeżenie wspomniałem o ryzyku załamania strukturalnego/szoku zewnętrznego.
- [ ] Utrzymywałem, że odpowiedzialność za przewidywanie i ostateczny osąd spoczywa na mnie.