zisky:
- Pochopenie pojmov časových radov, ako sú trend, sezónnosť, cyklus a stacionárnosť s podporou umelej inteligencie a schopnosť správne analyzovať sériu
- Schopnosť inštalovať ARIMA, ETS a jednoduché benchmarkové modely do umelej inteligencie ako kód, vytvárať predpovede a vyhodnocovať ich pomocou spätného testovania
- Byť schopný pochopiť krehkosť prognózy vzhľadom na rozsah neistoty, modelový limit a štrukturálny zlom a udržať zodpovednosť za prognózu na ekonómovi.
Jazykom ekonómie je čas. Inflácia, rast, nezamestnanosť, výmenné kurzy – to všetko sú série, ktoré plynú v čase a jedna z vecí, ktoré sa ekonóma najčastejšie pýtajú, je „čo sa stane ďalej?“ je otázka. V tejto jednotke použijeme umelú inteligenciu na pochopenie konceptov časových radov, zostavenie kódu modelu a vytváranie predpovedí. Ale objasnime si rámec od samého začiatku: Prognóza nie je proroctvo, ale podmienená predpoveď v neistote a zodpovednosť nesie ekonóm. AI vám môže napísať kód ARIMA v priebehu niekoľkých minút; Ale je to ľudská bytosť, ktorá rozhoduje o tom, či je táto predpoveď rozumná alebo nie a či sa zrúti tvárou v tvár štrukturálnemu zlomu.
Komponenty časového radu
Pomáha myslieť na akúkoľvek ekonomickú sériu tak, že ju rozdelíte na štyri časti:
- Trend (sklon). Dlhodobé smerovanie; ako je cesta rastu ekonomiky.
- Sezónnosť. Vzor, ktorý sa pravidelne opakuje počas celého roka; Cestovný ruch sa zvyšuje v lete, maloobchod sa zvyšuje v decembri.
- Cyklus (konjunktúra). Dlhšie ako sezóna, nepravidelné vzostupy a pády; obdobia expanzie a kontrakcie.
- Nepravidelný/hluk. Nevysvetliteľné, náhodné kolísanie.
Pred odhadom série je potrebné tieto zložky rozložiť. Pretože pozerať sa na surovú sériu a povedať „to padá“ môže byť zavádzajúce: možno ste práve v sezónnom koryte.
Existuje aj koncept stacionarity: štatistické vlastnosti (priemer, rozptyl) série sa v priebehu času nemenia. Väčšina ekonomických radov nie je stacionárna (neustále rastie); Mnoho modelov vyžaduje pred zostavením diferenciáciu (odpočítanie jednej periódy od druhej) alebo stacionarizáciu pomocou logaritmov. Umelá inteligencia odporúča tieto kroky, ale keď budete vedieť, prečo sú potrebné, chráni vás to.
Tip: Pred predpovedaním sériu vždy vykreslite a rozložte. Zjavný štrukturálny zlom (napríklad kríza alebo menová reforma) oklame aj ten najpokročilejší model. Tabuľka je najlacnejší diagnostický nástroj.
Modely: od jednoduchých po komplexné, ale najskôr referenčné
Zlaté pravidlo v prognózovaní časových radov: vždy začnite s jednoduchým benchmarkovým modelom. Najjednoduchšia predpoveď je „naivná predpoveď“: zajtrajšok bude rovnaký ako dnes (alebo sezónne naivný: tento mesiac sa rovná rovnakému mesiacu minulého roka). Ak komplexný model nedokáže prekonať túto naivnú predpoveď, zložitosť je zbytočná.
Potom často používané metódy:
- ETS / Exponenciálne vyhladzovanie. Rodina, ktorá zmierňuje úroveň, trend a sezónnosť ich vážením.
- VOLÁVANIE. Klasický model kombinujúci autoregresívnu (na základe minulých hodnôt) a zložky kĺzavého priemeru; sezónna verzia SARIMA.
- Regresné/vysvetľujúce modely. Vysvetlenie premennej pomocou iných ukazovateľov (napr. dopyt podľa príjmu a ceny).
AI môže kódovať všetky tieto v statsmodels (knižnica Python). Vašou úlohou je vybrať a overiť modely.
Backtest: test predikcie
Nič to neznamená, ak model „krásne sedí“ s historickými údajmi; Dostatočne flexibilné, aby sa zmestili na akýkoľvek model (toto sa nazýva overfitting). Skutočná otázka: ako dobre model predpovedá obdobia, ktoré nevidel? Aby ste to zmerali, vykonáte spätné testovanie: rozdelíte dáta k dátumu, natrénujete model s predchádzajúcou časťou, necháte predpovedať ďalšiu časť „ako keby to bola budúcnosť“ a porovnáte ju s realitou. Merania chýb (napríklad MAE – stredná absolútna chyba alebo RMSE – odmocnina zo štvorcovej chyby) vám umožňujú porovnať model s benchmarkom.
Pozor: Netrénujte model s údajmi, ktoré ste vyhodnotili. Úspešnosť predikcie merajte len v obdobiach, ktoré sa pri tréningu nepoužívajú. Inak budete klamať sami seba; Model je na papieri skvelý, ale v skutočnosti nepoužiteľný.
Neistota: rozsah, nie bodový odhad
Jediné číslo („inflácia bude do konca roka 24 percent“) vyžaruje falošnú istotu. Poctivý odhad zahŕňa rozsah a pravdepodobnosť: "v pásme 21-27 percent je stredný scenár 24 percent". Neistota prognózy je vyjadrená v intervaloch spoľahlivosti vytvorených modelom; ale skutočná neistota je väčšia, pretože modelové predpoklady môžu byť tiež nesprávne. Štrukturálny zlom (zmena politiky, vonkajší šok) je najväčším rizikom, ktoré model nevidí.
tri mini prípady
Prípad 1 – Neprekonanie referenčnej hodnoty. Analytik nechal AI postaviť komplex SARIMA pre mesačný maloobchodný predaj. V spätnom teste bola priemerná absolútna chyba modelu horšia ako sezónna naivná predpoveď, ktorá hovorila, že „tento mesiac sa rovná rovnakému mesiacu minulého roka“. Analytik opustil komplexný model; Za základ zobral naivný odhad a pridal odbornú opravu. Jednoduchosť víťazí.
Prípad 2 – Konštrukčná trhlina. Inštitúcia použila inflačný model, ktorý natrénovala s údajmi pred kurzovým šokom pre obdobie po šoku. Model výrazne podhodnotil infláciu, pretože predpokladal dynamiku minulého pokojného obdobia. Lekcia: model predpokladá svet, v ktorom je trénovaný; Keď sa svet zmení, predpoveď sa zrúti. Ak by sa ekonóm pozrel na graf, videl by zlom.
Prípad 3 – Poctivosť rozsahu. Istý ekonóm predstavil vedeniu svoju prognózu rastu na konci roka nie ako jedno číslo, ale ako „pásmo 3,0 – 4,2 percenta, to sú základné predpoklady“. Na konci roka bola realizácia 3,6 percenta; Bolo to v kapele. Ak by dal jediné číslo, mohol by byť označený ako „nesprávny“; rozsah a predpoklady boli čestné a udržiavali dôveru.
Tabuľka výberu modelu
Stav
správny štart
poznámka
Každý dohad
Naivný / sezónny naivný benchmark
Základ poraziť
Trend + sezónnosť, byt
ETS (exponenciálne vyhladzovanie)
Jednoduchá inštalácia a komentovanie
Autokorelované série
(S)ARIMA
Vyžaduje stabilizáciu
Existuje vysvetľujúca premenná
Na základe regresie
Musia tiež predpovedať budúcnosť
Podozrenie na porušenie konštrukcie
Model + odborná korekcia
Čistý model nestačí
Štyri kopírovateľné šablóny
1) Analýza a diagnostika:
Nakreslite túto mesačnú sériu [sériu] a potom ju rozdeľte na zložky trendu/sezónnosti/zvyšku (štatistiky). Skontrolujte, či je stacionárny (test ADF) av prípade potreby vysvetlite, ktorú transformáciu (log, rozdiel) odporúčate. Označte, či je v grafe viditeľný štrukturálny zlom.
2) Porovnanie benchmarku a modelu:
Najprv vytvorte sezónnu naivnú benchmarkovú predpoveď pre túto sériu. Potom nastavte ETS a SARIMA. Porovnajte všetky tri na základe MAE a RMSE pomocou spätného testu (testovanie za posledných 12 mesiacov). Zostavte výsledky do tabuľky a jasne uveďte, ktorý model prekonal benchmark.
3) Odhad a rozsah neistoty:
Predpoveď nasledujúcich 6 období pre model, ktorý som si vybral, a daj 80%/95% intervaly spoľahlivosti. Prezentujte odhad ako rozsah, nie ako jedno číslo. Ujasnite si, že tento rozsah pokrýva LEN neistotu modelu, nie riziko poškodenia konštrukcie/vonkajšieho šoku.
4) Backtest čítanie:
Interpretujte tieto výsledky spätného testu [tabuľka]. Prekoná model skutočne benchmark, alebo je rozdiel štatisticky nevýznamný? Uveďte, v ktorých obdobiach váš model robil najviac chýb a spochybňujte možný ekonomický dôvod (kríza, sezónne zmeny).
Slabá výzva / Silná výzva
Slabá výzva:
Hádajte túto sériu.
Umelá inteligencia vytvára náhodný model, netestuje, dáva nepárne číslo; Neviete, či model funguje alebo nie.
Výkonná výzva:
Najprv rozložte aktuálnu mesačnú sériu inflácie a vyhľadajte prestávky. Backtest ETS a SARIMA za posledných 12 mesiacov oproti sezónnemu naivnému benchmarku v porovnaní s MAE. Vyberte si model, ktorý prekoná benchmark, uveďte predpoved na 6 mesiacov a nastavte rozsah 80 %. Riziko poškodenia konštrukcie napíšte ako samostatné varovanie. Zobraziť kód pre každý krok a súhrnné čísla, ktoré môžem overiť manuálne.
Časté chyby
- Skok do zložitého modelu bez nastavovania benchmarkov. Zložitosť sa nerovná úspechu.
- Vyhodnotenie modelu na základe údajov, na ktorých sa trénoval. Zamieňanie nadmerného dodržiavania s úspechom.
- Poskytnutie jednobodového odhadu. Falošná istota; požadovaný rozsah a predpoklad.
- Ignorovanie štrukturálneho zlomu. Slepé prenášanie minulej dynamiky do budúcnosti.
- Preskakovanie stabilizácie. Falošné vzťahy a skreslené predpovede.
- Prezentácia predpovede ako proroctva. Skrytie neistoty a zodpovednosti.
V súhrne
Prognóza časových radov sa robí tak, že sa séria rozdelí na jej komponenty, stane sa stacionárnou, vytvorí sa jednoduchý benchmark, porovná sa modely spätným testovaním a výsledok sa úprimne predstaví s rozsahom neistoty. Umelá inteligencia rýchlo vygeneruje kód pre všetky tieto kroky; Ale zodpovednosť za výber modelu, posúdenie štrukturálnych zlomov a prognózovanie leží na ekonómovi. Predpoveď nie je proroctvo, ale podmienená a neistá predpoveď.
Aplikačná úloha
Vyberte si mesačný ekonomický rad (napr. index priemyselnej produkcie). Oddeľte a vyhľadajte zlomy pomocou 1. šablóny, spätne otestujte ETS/SARIMA oproti sezónnemu naivnému benchmarku pomocou 2. šablóny a vytvorte 6-mesačnú prognózu dopredu s 3. šablónou. Všimnite si, či váš model skutočne prekonal referenčnú hodnotu, a označte všetky štrukturálne zlomy, ktoré vidíte.
kontrolný zoznam
- [ ] Nakreslil som sériu a diagnostikoval som ju z hľadiska trendu/sezónnosti/zlomu.
- [ ] V prípade potreby som použil stacionarizáciu (log/rozdiel) a poznám dôvod.
- [ ] Nastavil som jednoduchý benchmark a porovnal som s ním komplexný model.
- [ ] Model som hodnotil len v obdobiach, keď nebol v tréningu (backtest).
- [ ] Odhad som uviedol s rozsahom neistoty, nie s jedným číslom.
- [ ] Riziko štrukturálneho zlomu/vonkajšieho šoku som uviedol ako samostatné varovanie.
- [ ] Tvrdil som, že zodpovednosť za predpovedanie a konečný úsudok leží na mne.