Fitimet:
- Kuptimi i koncepteve të serive kohore si trendi, sezonaliteti, cikli dhe stacionariteti me mbështetjen e inteligjencës artificiale dhe aftësia për të analizuar saktë një seri
- Aftësia për të instaluar ARIMA, ETS dhe modele të thjeshta standarde në inteligjencën artificiale si kod, për të prodhuar parashikime dhe për t'i vlerësuar ato me testim prapa
- Të jesh në gjendje të kuptojmë brishtësinë e parashikimit përballë diapazonit të pasigurisë, kufirit të modelit dhe thyerjes strukturore, dhe të mbajmë se përgjegjësia për parashikimin i mbetet ekonomistit.
Gjuha e ekonomisë është koha. Inflacioni, rritja, papunësia, kurset e këmbimit - të gjitha janë seri që rrjedhin me kalimin e kohës dhe një nga gjërat që ekonomisti pyetet më shpesh është "pra çfarë ndodh më pas?" është pyetja. Në këtë njësi, ne do të përdorim inteligjencën artificiale për të kuptuar konceptet e serive kohore, për të ndërtuar kodin e modelit dhe për të prodhuar parashikime. Por le të sqarojmë kuadrin që në fillim: një parashikim nuk është një profeci, por një parashikim i kushtëzuar në pasiguri dhe përgjegjësia është e ekonomistit. AI mund t'ju shkruajë kodin ARIMA në minuta; Por është qenia njerëzore ajo që vendos nëse ai parashikim është i arsyeshëm apo jo dhe nëse ai do të shembet përballë një thyerjeje strukturore.
Përbërësit e një serie kohore
Ndihmon të mendosh për çdo seri ekonomike duke e ndarë atë në katër pjesë:
- Trendi (prirje). Drejtimi afatgjatë; siç është rruga e rritjes së ekonomisë.
- Sezonaliteti. Modeli që përsëritet rregullisht gjatë gjithë vitit; Turizmi rritet në verë, tregtia me pakicë rritet në dhjetor.
- Cikli (konjukturë). Më e gjatë se sezoni, ulje-ngritje të parregullta; periudhat e zgjerimit dhe tkurrjes.
- I çrregullt/zhurmë. Luhatje e pashpjegueshme, e rastësishme.
Para se të vlerësohet një seri, është e nevojshme të zbërthehen këto përbërës. Sepse të shikosh seritë e papërpunuara dhe të thuash "po bie" mund të jetë mashtruese: ndoshta je thjesht në një lug sezonal.
Ekziston edhe koncepti i stacionaritetit: vetitë statistikore (mesatarja, varianca) e një serie nuk ndryshojnë me kalimin e kohës. Shumica e serive ekonomike nuk janë të palëvizshme (në rritje të vazhdueshme); Shumë modele kërkojnë diferencim (zbritja e një periudhe nga tjetra) ose stacionarizimi me logaritme përpara ndërtimit. AI rekomandon këto hapa, por të dish pse nevojiten të mbron.
Këshillë: Gjithmonë vizatoni dhe zbërtheni serinë përpara se të parashikoni. Një thyerje e dukshme strukturore (p.sh. një krizë ose reformë monetare) do të mashtrojë edhe modelin më të avancuar. Grafiku është mjeti më i lirë diagnostikues.
Modelet: nga e thjeshta në komplekse, por së pari pikë referimi
Rregulli i artë në parashikimin e serive kohore: gjithmonë filloni me një model të thjeshtë standard. Parashikimi më i thjeshtë është "parashikimi naiv": e nesërmja do të jetë e barabartë me sot (ose naive sezonale: ky muaj është i barabartë me të njëjtin muaj të vitit të kaluar). Nëse një model kompleks nuk mund ta mposht këtë parashikim naiv, kompleksiteti është i kotë.
Pastaj metodat e përdorura shpesh:
- ETS / Zbutja eksponenciale. Një familje që zbut nivelin, trendin dhe sezonalitetin duke i peshuar.
- THIRRJE. Modeli klasik që kombinon komponentët autoregresivë (bazuar në vlerat e kaluara) dhe mesataren lëvizëse; versioni sezonal SARIMA.
- Modele të bazuara në regresion/shpjegues. Shpjegimi i një variabli me tregues të tjerë (p.sh. kërkesa sipas të ardhurave dhe çmimit).
AI mund të kodojë të gjitha këto në statsmodels (biblioteka Python). Detyra juaj është të zgjidhni dhe vërtetoni modelet.
Backtest: test i parashikimit
Nuk do të thotë asgjë nëse një model “përshtatet bukur” me të dhënat historike; Mjaft fleksibël për t'iu përshtatur çdo modeli (kjo quhet mbipërshtatje). Pyetja e vërtetë: sa mirë i parashikon modeli periudhat që nuk i ka parë? Për ta matur këtë, ju bëni një testim prapa: ju i ndani të dhënat në një datë, e trajnoni modelin me pjesën e mëparshme, e bëni atë të parashikojë pjesën tjetër "sikur të ishte e ardhmja" dhe e krahasoni atë me realitetin. Masat e gabimit (për shembull, MAE - gabimi mesatar absolut, ose RMSE - rrënja e gabimit mesatar katror) ju lejojnë të krahasoni modelin me standardin.
Kujdes: Mos e trajnoni modelin me të dhënat që vlerësuat. Matni suksesin e parashikimit vetëm në periudha që nuk përdoren në trajnim. Përndryshe ju do të mashtroni veten; Modeli del i shkëlqyeshëm në letër, por i padobishëm në realitet.
Pasiguria: diapazoni, jo vlerësimi i pikës
Një numër i vetëm (“inflacioni do të jetë 24 për qind deri në fund të vitit”) nxjerr siguri të rreme. Vlerësimi i sinqertë përfshin një diapazon dhe probabilitet: "në brezin 21-27 përqind, skenari qendror është 24 përqind". Pasiguria e parashikimit shprehet në intervalet e besimit të prodhuara nga modeli; por pasiguria reale është më e madhe se kjo, sepse supozimet e modelit mund të jenë gjithashtu të gabuara. Prishja strukturore (ndryshimi i politikës, tronditja e jashtme) është rreziku më i madh që modeli nuk mund ta shohë.
tre mini kuti
Rasti 1 - Dështimi për të mposhtur standardin. Një analist i kërkoi AI të ndërtonte një kompleks SARIMA për shitjet mujore me pakicë. Në testin e pasëm, gabimi mesatar absolut i modelit ishte më i keq se parashikimi naiv sezonal që thoshte "ky muaj është i barabartë me të njëjtin muaj të vitit të kaluar". Analisti braktisi modelin kompleks; Ai mori për bazë hamendjen naive dhe shtoi një korrigjim ekspert. Thjeshtësia fiton.
Rasti 2 - Prishja strukturore. Një institucion përdori modelin e inflacionit që trajnoi me të dhëna përpara goditjes së kursit të këmbimit për periudhën pas goditjes. Modeli e nënvlerësoi rëndë inflacionin sepse supozoi dinamikën e periudhës së kaluar të qetë. Mësimi: modeli supozon botën në të cilën është trajnuar; Kur bota ndryshon, parashikimi shembet. Nëse ekonomisti do të shikonte grafikun, ai do të shihte thyerjen.
Rasti 3 - Ndershmëria e gamës. Një ekonomist i paraqiti menaxhmentit parashikimin e tij të rritjes në fund të vitit jo si një shifër e vetme, por si "faz 3.0-4.2 për qind, këto janë supozimet themelore". Në fund të vitit realizimi ishte 3.6 për qind; Ishte në grup. Nëse do të kishte dhënë një numër të vetëm, mund të ishte etiketuar "gabim"; diapazoni dhe supozimet ishin të sinqerta dhe të besueshme.
Tabela e zgjedhjes së modelit
Statusi
fillimi i duhur
shënim
Çdo supozim
Standardi naiv / sezonal naiv
Baza për të rrahur
Trend + sezonalitet, i sheshtë
ETS (zbutje eksponenciale)
Lehtë për t'u instaluar dhe komentuar
Seritë e ndërlidhura automatike
(S)ARIMA
Ka nevojë për stabilizim
Ekziston një variabël shpjegues
Bazuar në regresion
Parashikuesit e së ardhmes duhet gjithashtu
Dyshimi për thyerje strukturore
Model + korrigjim ekspert
Modeli i pastër nuk mjafton
Katër shabllone të kopjueshëm
1) Analiza dhe diagnoza:
Paraqitni atë seri mujore [seri], më pas ndajeni në komponentë prirje/sezonalitet/të mbetur (modele statistikore). Kontrolloni nëse është i palëvizshëm (testi ADF) dhe, nëse është e nevojshme, shpjegoni se cilin transformim (log, ndryshim) rekomandoni. Shënoni nëse ka një thyerje të dukshme strukturore në grafik.
2) Krahasimi standard + model:
Fillimisht vendosni një parashikim sezonal naiv standard për këtë seri. Pastaj vendosni një ETS dhe një SARIMA. Krahasoni të treja bazuar në MAE dhe RMSE me një backtest (testimi i 12 muajve të fundit). Tabeloni rezultatet dhe tregoni qartë se cili model ka mundur standardin.
3) Gama e vlerësimit dhe e pasigurisë:
Parashikoni 6 periudhat e ardhshme për modelin që zgjodha dhe jepni intervale besimi 80%/95%. Paraqisni vlerësimin si një diapazon, jo si një numër të vetëm. Bëjeni të qartë se kjo gamë mbulon VETËM pasigurinë e modelit, jo rrezikun e thyerjes strukturore/goditjes së jashtme.
4) Leximi i testit prapa:
Interpretoni këto rezultate të backtest-it [tabela]. A e kapërcen modeli realisht standardin, apo ndryshimi është statistikisht i parëndësishëm? Tregoni në cilat periudha modeli juaj ka bërë më shumë gabime dhe vini në dyshim arsyen e mundshme ekonomike për këtë (krizë, ndryshim sezonal).
Prompt i dobët / Prompt i fortë
Njoftim i dobët:
Merreni me mend këtë serial.
Inteligjenca artificiale ndërton një model të rastësishëm, nuk teston prapa, jep një numër tek; Ju nuk e dini nëse modeli funksionon apo jo.
Njoftim i fuqishëm:
Së pari zbërthejeni serinë aktuale të inflacionit mujor dhe skanoni për pushime. Backtest ETS dhe SARIMA në 12 muajt e fundit kundrejt një standardi naiv sezonal, krahasuar me MAE. Zgjidhni modelin që tejkalon standardin, jepni një parashikim 6 muaj përpara dhe vendosni një gamë prej 80%. Shkruani rrezikun e thyerjes strukturore si një paralajmërim të veçantë. Trego kodin për çdo hap dhe numrat përmbledhës që mund t'i verifikoj manualisht.
Gabimet e zakonshme
- Kërcimi në model kompleks pa vendosur standarde. Kompleksiteti nuk është i barabartë me sukses.
- Vlerësimi i modelit mbi të dhënat mbi të cilat është trajnuar. Gabimi i pajtueshmërisë së tepërt me sukses.
- Dhënia e një vlerësimi të vetëm pikësh. Siguri e rreme; diapazoni dhe supozimi i kërkuar.
- Injorimi i thyerjes strukturore. Duke e çuar verbërisht dinamikën e së kaluarës në të ardhmen.
- Kapërcimi i stabilizimit. Marrëdhënie të rreme dhe parashikim të shtrembëruar.
- Paraqitja e parashikimit si një profeci. Fshehja e pasigurisë dhe përgjegjësisë.
Në përmbledhje
Parashikimi i serive kohore bëhet duke e ndarë një seri në përbërësit e saj, duke e bërë atë të palëvizshme, duke vendosur një pikë referimi të thjeshtë, duke krahasuar modelet duke bërë testim prapa dhe duke paraqitur rezultatin me ndershmëri me diapazonin e pasigurisë. Inteligjenca artificiale gjeneron shpejt kodin për të gjitha këto hapa; Por përgjegjësia për zgjedhjen e modelit, gjykimin e thyerjes strukturore dhe parashikimin i takon ekonomistit. Një parashikim nuk është një profeci, por një parashikim i kushtëzuar dhe i pasigurt.
Detyra e aplikimit
Zgjidhni një seri ekonomike mujore (p.sh. indeksi i prodhimit industrial). Ndani dhe skanoni për zbulime me shabllonin e parë, testoni prapa ETS/SARIMA kundrejt standardit naiv sezonal me shabllonin e dytë, prodhoni një parashikim të diapazonit 6-mujor përpara me shabllonin e tretë. Vini re nëse modeli juaj në të vërtetë tejkalon standardin dhe shënoni ndonjë thyerje strukturore që shihni.
listë kontrolli
- [ ] E hartova serialin dhe e diagnostikova atë përsa i përket trendit/sezonalitetit/ pushimit.
- [ ] Kam aplikuar stacionarizimin (log/diferencë) nëse është e nevojshme dhe e di arsyen.
- [ ] Vendosa një standard të thjeshtë dhe krahasova modelin kompleks me të.
- [ ] Modelin e kam vlerësuar vetëm gjatë periudhave kur nuk ishte në stërvitje (backtest).
- [ ] Unë e paraqita vlerësimin me një gamë pasigurie, jo një numër të vetëm.
- [ ] Unë përmenda rrezikun e thyerjes strukturore/goditjes së jashtme si një paralajmërim më vete.
- [ ] Unë kam pohuar se përgjegjësia për parashikimin dhe gjykimin përfundimtar bie mbi mua.