Ganhos:
- Compreender conceitos de séries temporais como tendência, sazonalidade, ciclo e estacionariedade com o apoio da inteligência artificial e ser capaz de analisar uma série corretamente
- Capacidade de instalar ARIMA, ETS e modelos de benchmark simples em inteligência artificial como código, produzir previsões e avaliá-las com backtesting
- Ser capaz de compreender a fragilidade da previsão face à faixa de incerteza, ao limite do modelo e à quebra estrutural, e sustentar que a responsabilidade pela previsão permanece com o economista.
A linguagem da economia é o tempo. Inflação, crescimento, desemprego, taxas de câmbio – são todas séries que fluem ao longo do tempo, e uma das perguntas mais frequentes ao economista é “então o que acontece a seguir?” é a questão. Nesta unidade, usaremos inteligência artificial para compreender conceitos de séries temporais, construir código de modelo e produzir previsões. Mas vamos esclarecer o quadro desde o início: uma previsão não é uma profecia, mas uma previsão condicional sob incerteza, e a responsabilidade cabe ao economista. A IA pode escrever seu código ARIMA em minutos; Mas é o ser humano quem decide se essa previsão é razoável ou não e se entrará em colapso face a uma ruptura estrutural.
Componentes de uma série temporal
Ajuda pensar em qualquer série econômica dividindo-a em quatro partes:
- Tendência (tendência). Direção de longo prazo; como a trajetória de crescimento da economia.
- Sazonalidade. Padrão que se repete regularmente ao longo do ano; O turismo aumenta no verão, o varejo aumenta em dezembro.
- Ciclo (conjuntura). Mais longa que a temporada, altos e baixos irregulares; períodos de expansão e contração.
- Errático/ruído. Flutuação aleatória e inexplicável.
Antes de estimar uma série, é necessário decompor esses componentes. Porque olhar para a série bruta e dizer “está caindo” pode ser enganoso: talvez você esteja apenas em uma depressão sazonal.
Existe também o conceito de estacionariedade: as propriedades estatísticas (média, variância) de uma série não mudam ao longo do tempo. A maior parte das séries económicas não são estacionárias (em constante crescimento); Muitos modelos requerem diferenciação (subtração de um período de outro) ou estacionarização com logaritmos antes de serem construídos. A IA recomenda essas etapas, mas saber por que elas são necessárias protege você.
Dica: Sempre plote e decomponha a série antes de prever. Uma aparente ruptura estrutural (por exemplo, uma crise ou uma reforma monetária) enganará até o modelo mais avançado. O gráfico é a ferramenta de diagnóstico mais barata.
Modelos: do simples ao complexo, mas primeiro o benchmark
A regra de ouro na previsão de séries temporais: sempre comece com um modelo de benchmark simples. A previsão mais simples é a “previsão ingénua”: amanhã será igual a hoje (ou ingénua sazonal: este mês é igual ao mesmo mês do ano passado). Se um modelo complexo não consegue vencer esta previsão ingénua, a complexidade é inútil.
Então métodos frequentemente usados:
- ETS / Suavização exponencial. Uma família que suaviza nível, tendência e sazonalidade, ponderando-os.
- CHAMANDO. O modelo clássico que combina componentes autoregressivos (baseados em valores passados) e médias móveis; versão sazonal SARIMA.
- Modelos baseados em regressão/explicativos. Explicar uma variável com outros indicadores (por exemplo, procura por rendimento e preço).
A IA pode codificar tudo isso em modelos de estatísticas (biblioteca Python). Seu trabalho é selecionar e validar modelos.
Backtest: teste de previsão
Não significa nada se um modelo “se ajusta perfeitamente” aos dados históricos; Flexível o suficiente para se adaptar a qualquer modelo (isso é chamado de overfitting). A verdadeira questão: quão bem o modelo prevê períodos que não viu? Para medir isso, você faz backtesting: você divide os dados em uma data, treina o modelo com a parte anterior, faz com que ele preveja a próxima parte “como se fosse o futuro” e compara com a realidade. As medidas de erro (por exemplo, MAE — erro médio absoluto ou RMSE — raiz do erro quadrático médio) permitem comparar o modelo com o benchmark.
Cuidado: não treine o modelo com os dados que você avaliou. Meça o sucesso da previsão apenas em períodos não utilizados no treinamento. Caso contrário você se enganará; O modelo fica ótimo no papel, mas inútil na realidade.
Incerteza: intervalo, não estimativa pontual
Um único número (“a inflação será de 24 por cento até ao final do ano”) exala uma falsa certeza. A estimativa honesta inclui um intervalo e uma probabilidade: “na faixa de 21-27 por cento, o cenário central é de 24 por cento”. A incerteza da previsão é expressa nos intervalos de confiança produzidos pelo modelo; mas a incerteza real é maior do que esta, porque os pressupostos do modelo também podem estar errados. A ruptura estrutural (mudança de política, choque externo) é o maior risco que o modelo não consegue ver.
três mini cases
Caso 1 – Não conseguir superar o benchmark. Um analista fez com que a IA construísse um SARIMA complexo para vendas mensais no varejo. No backtest, o erro médio absoluto do modelo foi pior do que a previsão sazonal ingênua que dizia que “este mês é igual ao mesmo mês do ano passado”. O analista abandonou o modelo complexo; Ele tomou como base a suposição ingênua e acrescentou uma correção especializada. A simplicidade vence.
Caso 2 — Ruptura estrutural. Uma instituição utilizou o modelo de inflação que treinou com dados antes do choque cambial para o período pós-choque. O modelo subestimou gravemente a inflação porque assumiu a dinâmica do passado período de calma. Lição: o modelo assume o mundo em que é treinado; Quando o mundo muda, a previsão entra em colapso. Se o economista olhasse o gráfico, veria a quebra.
Caso 3 — Honestidade da gama. Um economista apresentou à administração a sua previsão de crescimento para o final do ano não como um valor único, mas como "uma faixa de 3,0-4,2 por cento, estas são as suposições subjacentes". No final do ano, a realização foi de 3,6%; Estava na banda. Se ele tivesse dado um único número, poderia ter sido rotulado como “errado”; alcance e suposições eram honestos e mantinham a confiança.
Tabela de seleção de modelo
Estado
começo adequado
nota
Cada suposição
Benchmark ingênuo/ingênuo sazonal
A base para vencer
Tendência + sazonalidade, estável
ETS (suavização exponencial)
Fácil de instalar e comentar
Série autocorrelacionada
(S)ARIMA
Precisa de estabilização
Existe uma variável explicativa
Baseado em regressão
Os preditores do futuro também devem
Suspeita de ruptura estrutural
Modelo + correção especializada
Modelo puro não é suficiente
Quatro modelos copiáveis
1) Análise e diagnóstico:
Trace essa série mensal [série] e, em seguida, separe-a em componentes de tendência/sazonalidade/resíduos (modelos estatísticos). Verifique se está estacionário (teste ADF) e, se necessário, explique qual transformação (log, diferença) você recomenda. Marque se há uma quebra estrutural visível no gráfico.
2) Comparação de benchmark + modelo:
Primeiro, estabeleça uma previsão de referência ingênua sazonal para esta série. Em seguida, configure um ETS e um SARIMA. Compare todos os três com base no MAE e no RMSE com um backtest (testando os últimos 12 meses). Tabule os resultados e indique claramente qual modelo superou o benchmark.
3) Estimativa e faixa de incerteza:
Preveja os próximos 6 períodos para o modelo que escolhi e forneça intervalos de confiança de 80%/95%. Apresente a estimativa como um intervalo, não como um único número. Deixe claro que esta faixa cobre APENAS a incerteza do modelo, e não o risco de ruptura estrutural/choque externo.
4) Leitura de backtest:
Interprete esses resultados de backtest [tabela]. O modelo realmente supera o benchmark ou a diferença é estatisticamente insignificante? Indique em que períodos o seu modelo cometeu mais erros e questione a possível razão económica para isso (crise, mudança sazonal).
Alerta fraco / Alerta forte
Alerta fraco:
Adivinhe esta série.
A inteligência artificial constrói um modelo aleatório, não faz backtest, dá um número ímpar; Você não sabe se o modelo funciona ou não.
Alerta poderoso:
Primeiro, decomponha a série mensal atual da inflação e procure por quebras. Backtest ETS e SARIMA nos últimos 12 meses em relação a um benchmark sazonal ingênuo, em comparação com o MAE. Escolha o modelo que supera o benchmark, dê uma previsão de 6 meses e coloque um intervalo de 80%. Escreva o risco de quebra estrutural como um aviso separado. Mostre o código de cada etapa e os números de resumo que posso verificar manualmente.
Erros comuns
- Saltar para um modelo complexo sem estabelecer benchmarks. Complexidade não é igual a sucesso.
- Avaliar o modelo com base nos dados nos quais ele treinou. Confundir conformidade excessiva com sucesso.
- Fornecendo uma estimativa de ponto único. Falsa certeza; intervalo e suposição necessários.
- Ignorando a ruptura estrutural. Carregando cegamente a dinâmica do passado para o futuro.
- Ignorando a estabilização. Relacionamentos falsos e previsões distorcidas.
- Apresentando a previsão como uma profecia. Escondendo incerteza e responsabilidade.
Em resumo
A previsão de séries temporais é feita separando uma série em seus componentes, tornando-a estacionária, estabelecendo um benchmark simples, comparando os modelos por backtesting e apresentando o resultado honestamente com a faixa de incerteza. A inteligência artificial gera rapidamente o código para todas essas etapas; Mas a responsabilidade pela seleção do modelo, pelo julgamento de rupturas estruturais e pelas previsões cabe ao economista. Uma previsão não é uma profecia, mas uma previsão condicional e incerta.
Tarefa de aplicativo
Escolha uma série económica mensal (por exemplo, índice de produção industrial). Separe e procure por rompimentos com o primeiro modelo, faça backtest ETS/SARIMA em relação ao benchmark ingênuo sazonal com o segundo modelo, produza uma previsão de intervalo futuro de 6 meses com o terceiro modelo. Observe se o seu modelo realmente supera o benchmark e sinalize quaisquer quebras estruturais que você observar.
lista de verificação
- [ ] Plotei a série e a diagnosticei em termos de tendência/sazonalidade/quebra.
- [] Apliquei a estacionarização (log/diferença) se necessário e sei o motivo.
- [] Eu configurei um benchmark simples e comparei o modelo complexo com ele.
- [ ] Avaliei o modelo apenas nos períodos em que ele não estava em treinamento (backtest).
- [] Apresentei a estimativa com uma faixa de incerteza, não com um único número.
- [ ] Mencionei o risco de ruptura estrutural/choque externo como um aviso separado.
- [] Afirmei que a responsabilidade pela previsão e julgamento final é minha.