Dobički:
- Razumevanje konceptov časovnih vrst, kot so trend, sezonskost, cikel in stacionarnost, s podporo umetne inteligence in sposobnost pravilnega razčlenjevanja serije
- Sposobnost namestitve ARIMA, ETS in preprostih primerjalnih modelov v umetno inteligenco kot kodo, izdelave napovedi in njihovega vrednotenja s testiranjem za nazaj
- Biti sposoben razumeti krhkost napovedi glede na razpon negotovosti, mejo modela in strukturni prelom ter trditi, da odgovornost za napoved ostaja na ekonomistu.
Jezik ekonomije je čas. Inflacija, rast, brezposelnost, menjalni tečaji - vse to so nizi, ki tečejo skozi čas, in ena od stvari, ki se ekonomistu najpogosteje sprašujejo, je "kaj se torej zgodi potem?" je vprašanje. V tej enoti bomo uporabili umetno inteligenco za razumevanje konceptov časovnih vrst, izdelavo kode modela in izdelavo napovedi. Toda razjasnimo okvir že na samem začetku: Napoved ni prerokba, ampak pogojna napoved v negotovosti, odgovornost pa nosi ekonomist. AI vam lahko napiše kodo ARIMA v nekaj minutah; Toda človek je tisti, ki se odloči, ali je ta napoved razumna ali ne in ali se bo sesula zaradi strukturnega zloma.
Komponente časovne vrste
Pomaga razmišljati o kateri koli ekonomski vrsti, če jo razdelimo na štiri dele:
- Trend (težnja). Dolgoročna usmeritev; kot je pot rasti gospodarstva.
- Sezonskost. Vzorec, ki se redno ponavlja skozi vse leto; Turizem raste poleti, trgovina na drobno decembra.
- Cikel (konjunktura). Daljši od sezone, neenakomerni vzponi in padci; obdobja ekspanzije in krčenja.
- Nepravilen/hrup. Nepojasnjeno, naključno nihanje.
Preden ocenimo serijo, je potrebno te komponente razstaviti. Ker je pogled na neobdelano serijo in beseda "pada" lahko zavajajoč: morda ste le v sezonskem dnu.
Obstaja tudi koncept stacionarnosti: statistične lastnosti (povprečje, varianca) niza se s časom ne spreminjajo. Večina ekonomskih serij ni stacionarnih (stalno raste); Veliko modelov zahteva diferenciranje (odštevanje ene periode od druge) ali stacionarizacijo z logaritmi pred gradnjo. AI priporoča te korake, vendar vas ščiti, če veste, zakaj so potrebni.
Namig: Pred napovedovanjem vedno narišite in razčlenite niz. Očiten strukturni prelom (npr. kriza ali reforma valute) bo preslepil celo najnaprednejši model. Tabela je najcenejše diagnostično orodje.
Modeli: od preprostih do zapletenih, a najprej merilo
Zlato pravilo pri napovedovanju časovnih vrst: vedno začnite s preprostim primerjalnim modelom. Najenostavnejša napoved je »naivna napoved«: jutri bo enak današnjemu (ali sezonska naivna: ta mesec je enak istemu mesecu lani). Če zapleten model ne more premagati te naivne napovedi, je zapletenost zaman.
Nato pogosto uporabljene metode:
- ETS / Eksponentno glajenje. Družina, ki zmehča nivo, trend in sezonskost tako, da jih uteži.
- KLICANJE. Klasični model, ki združuje avtoregresivne (na podlagi preteklih vrednosti) in komponente drsečega povprečja; sezonska različica SARIMA.
- Regresijski/razlagalni modeli. Razlaga spremenljivke z drugimi indikatorji (npr. povpraševanje po dohodku in cena).
AI lahko kodira vse to v statsmodels (knjižnica Python). Vaša naloga je izbrati in potrditi modele.
Backtest: test napovedi
Nič ne pomeni, če se model »lepo ujema« z zgodovinskimi podatki; Dovolj prilagodljiv, da se prilega kateremu koli modelu (temu pravimo prekomerno opremljanje). Pravo vprašanje: kako dobro model napoveduje obdobja, ki jih ni videl? Če želite to izmeriti, izvedete testiranje za nazaj: razdelite podatke na datum, usposobite model s prejšnjim delom, napoveste naslednji del, "kot da bi bil prihodnost", in ga primerjate z realnostjo. Meritve napak (na primer MAE — povprečna absolutna napaka ali RMSE — koren srednje kvadratne napake) vam omogočajo primerjavo modela z merilom uspešnosti.
Pozor: Ne učite modela s podatki, ki ste jih ocenili. Uspešnost napovedovanja merite samo v obdobjih, ki niso bila uporabljena pri usposabljanju. Sicer se boste prevarali; Model je na papirju odličen, v resnici pa neuporaben.
Negotovost: razpon, ne točkovna ocena
Ena sama številka (»inflacija bo do konca leta 24 odstotkov«) izžareva lažno gotovost. Poštena ocena vključuje razpon in verjetnost: "v pasu 21-27 odstotkov je osrednji scenarij 24 odstotkov". Negotovost napovedi je izražena v intervalih zaupanja, ki jih ustvari model; vendar je resnična negotovost večja od tega, ker so lahko tudi predpostavke modela napačne. Strukturni prelom (sprememba politike, zunanji šok) je največje tveganje, ki ga model ne vidi.
trije mini kovčki
1. primer – Neuspešno preseči merilo uspešnosti. Analitik je dal AI zgraditi kompleksno SARIMA za mesečno prodajo na drobno. V zadnjem testu je bila povprečna absolutna napaka modela slabša od sezonske naivne napovedi, ki pravi, da je "ta mesec enak istemu mesecu prejšnjega leta." Analitik je opustil kompleksni model; Za osnovo je vzel naivno ugibanje in dodal strokovni popravek. Preprostost zmaga.
Primer 2 – Strukturni zlom. Institucija je uporabila model inflacije, ki ga je usposobila s podatki pred tečajnim šokom za obdobje po šoku. Model je močno podcenil inflacijo, ker je predpostavil dinamiko preteklega mirnega obdobja. Lekcija: model prevzame svet, v katerem se usposablja; Ko se svet spremeni, se napoved sesuje. Če bi ekonomist pogledal graf, bi videl prelom.
Primer 3 – poštenost razpona. Ekonomist je upravi svoje napovedi rasti ob koncu leta predstavil ne kot eno samo številko, ampak kot "razpon 3,0-4,2 odstotka, to so osnovne predpostavke." Ob koncu leta je bila realizacija 3,6-odstotna; Bilo je v skupini. Če bi dal eno samo številko, bi bil morda označen kot "napačen"; obseg in predpostavke so bili iskreni in ohranili zaupanje.
Tabela za izbiro modela
Stanje
pravilen začetek
opomba
Vsako ugibanje
Naivno/sezonsko naivno merilo uspešnosti
Osnova za premagovanje
Trend + sezonskost, ravno
ETS (eksponentno glajenje)
Enostaven za namestitev in komentiranje
Avtokorelirane serije
(S)ARIMA
Potrebuje stabilizacijo
Obstaja razlagalna spremenljivka
Temelji na regresiji
Napovedovalci prihodnosti morajo tudi
Sum na strukturno zlom
Model + strokovni popravek
Čisti model ni dovolj
Štiri predloge za kopiranje
1) Razčlenitev in diagnoza:
Narišite to mesečno serijo [serije], nato pa jo ločite na komponente trenda/sezonskosti/preostanka (modeli statistike). Preverite, ali miruje (test ADF) in po potrebi pojasnite, katero transformacijo (log, razlika) priporočate. Označite, če je v grafikonu viden strukturni prelom.
2) Primerjava merila + modela:
Najprej določite sezonsko naivno primerjalno napoved za to serijo. Nato nastavite ETS in SARIMA. Primerjajte vse tri na podlagi MAE in RMSE s testom za nazaj (testiranje zadnjih 12 mesecev). Pregledajte rezultate in jasno navedite, kateri model je presegel merilo.
3) Ocena in območje negotovosti:
Napovejte naslednjih 6 obdobij za model, ki sem ga izbral, in podajte 80%/95% intervale zaupanja. Oceno predstavite kot obseg, ne kot eno samo število. Pojasnite, da ta obseg zajema SAMO negotovost modela, ne pa tveganja strukturnega zloma/zunanjega udara.
4) Preizkusno branje:
Interpretirajte te rezultate testov za nazaj [tabela]. Ali model dejansko presega merilo uspešnosti ali je razlika statistično nepomembna? Navedite, v katerih obdobjih je vaš model naredil največ napak in se vprašajte o morebitnem ekonomskem razlogu za to (kriza, sezonske spremembe).
Šibek poziv/močan poziv
Šibek poziv:
Ugani to serijo.
Umetna inteligenca gradi naključni model, ne testira nazaj, daje liho število; Ne veš, ali model deluje ali ne.
Močan poziv:
Najprej razčlenite serijo trenutne mesečne inflacije in poiščite odmore. Preizkusite ETS in SARIMA v zadnjih 12 mesecih glede na sezonsko naivno primerjalno vrednost, primerjajte z MAE. Izberite model, ki presega merilo uspešnosti, podajte napoved za 6 mesecev naprej in postavite 80-odstotni razpon. Nevarnost zloma konstrukcije zapišite kot ločeno opozorilo. Prikaži kodo za vsak korak in številke povzetka, ki jih lahko preverim ročno.
Pogoste napake
- Skok v zapleten model brez postavljanja meril uspešnosti. Kompleksnost ni enaka uspehu.
- Vrednotenje modela na podlagi podatkov, na katerih se je usposabljal. Zamenjajte pretirano skladnost z uspehom.
- Dajanje ocene z eno točko. Lažna gotovost; potreben obseg in predpostavka.
- Ignoriranje strukturnega preloma. Slepo prenašanje pretekle dinamike v prihodnost.
- Preskok stabilizacije. Lažna razmerja in izkrivljene napovedi.
- Predstavitev napovedi kot prerokbe. Skrivanje negotovosti in odgovornosti.
Če povzamem
Napovedovanje časovnih vrst se izvede tako, da serijo loči na njene komponente, naredi stacionarno, vzpostavi preprosto merilo uspešnosti, primerja modele s testiranjem za nazaj in pošteno predstavi rezultat z razponom negotovosti. Umetna inteligenca hitro ustvari kodo za vse te korake; Toda odgovornost za izbiro modela, presojo strukturnih prelomov in napovedovanje nosijo ekonomisti. Napoved ni prerokba, ampak pogojna in negotova napoved.
Aplikacijska naloga
Izberite mesečno ekonomsko serijo (npr. indeks industrijske proizvodnje). Ločite in poiščite izbruhe s 1. predlogo, preizkusite ETS/SARIMA za nazaj glede na sezonsko naivno primerjalno vrednost z 2. predlogo, izdelajte napoved razpona za 6 mesecev naprej s 3. predlogo. Upoštevajte, ali vaš model dejansko presega merilo in označite morebitne strukturne prelome, ki jih vidite.
kontrolni seznam
- [ ] Narisal sem serijo in jo diagnosticiral glede na trend/sezonskost/prelom.
- [ ] Po potrebi sem uporabil stacionarizacijo (log/razlika) in poznam razlog.
- [ ] Postavil sem preprosto merilo uspešnosti in z njim primerjal zapleten model.
- [ ] Model sem ocenjeval samo v obdobjih, ko ni bil v treningu (backtest).
- [ ] Oceno sem predstavil z razponom negotovosti, ne z eno številko.
- [ ] Tveganje strukturnega zloma/zunanjega udarca sem omenil kot ločeno opozorilo.
- [ ] Trdil sem, da je odgovornost za napoved in končno sodbo moja.