กำไร:
- ทำความเข้าใจแนวคิดอนุกรมเวลา เช่น แนวโน้ม ฤดูกาล วัฏจักร และความคงที่ ด้วยการสนับสนุนของปัญญาประดิษฐ์ และสามารถแยกวิเคราะห์อนุกรมเวลาได้อย่างถูกต้อง
- ความสามารถในการติดตั้ง ARIMA, ETS และแบบจำลองเกณฑ์มาตรฐานอย่างง่ายลงในปัญญาประดิษฐ์ในรูปแบบโค้ด สร้างการคาดการณ์ และประเมินผลด้วยการทดสอบย้อนหลัง
- ความสามารถในการเข้าใจความเปราะบางของการพยากรณ์เมื่อเผชิญกับช่วงความไม่แน่นอน ขีดจำกัดของแบบจำลอง และการแตกหักของโครงสร้าง และเพื่อรักษาความรับผิดชอบในการพยากรณ์ยังคงเป็นหน้าที่ของนักเศรษฐศาสตร์
ภาษาของเศรษฐศาสตร์คือเวลา อัตราเงินเฟ้อ การเติบโต การว่างงาน อัตราแลกเปลี่ยน ล้วนเป็นอนุกรมที่ไหลไปตามกาลเวลา และสิ่งหนึ่งที่นักเศรษฐศาสตร์มักถูกถามบ่อยที่สุดคือ "แล้วจะเกิดอะไรขึ้นต่อไป" คือคำถาม ในหน่วยนี้ เราจะใช้ปัญญาประดิษฐ์เพื่อทำความเข้าใจแนวคิดอนุกรมเวลา สร้างโค้ดโมเดล และสร้างการคาดการณ์ แต่มาอธิบายกรอบการทำงานให้ชัดเจนตั้งแต่ต้น: การคาดการณ์ไม่ใช่คำทำนาย แต่เป็นการคาดการณ์แบบมีเงื่อนไขภายใต้ความไม่แน่นอน และความรับผิดชอบอยู่ที่นักเศรษฐศาสตร์ AI สามารถเขียนโค้ด ARIMA ให้คุณได้ภายในไม่กี่นาที แต่มนุษย์เองต่างหากที่ตัดสินใจว่าคำทำนายนั้นสมเหตุสมผลหรือไม่ และคำทำนายนั้นจะพังทลายลงเมื่อเผชิญกับการแตกหักของโครงสร้างหรือไม่
ส่วนประกอบของอนุกรมเวลา
การนึกถึงซีรีส์ทางเศรษฐกิจใดๆ จะช่วยได้มากโดยแบ่งออกเป็นสี่ส่วน:
- เทรนด์ (แนวโน้ม) ทิศทางระยะยาว เช่นเส้นทางการเติบโตของเศรษฐกิจ
- ฤดูกาล รูปแบบที่เกิดซ้ำสม่ำเสมอตลอดทั้งปี การท่องเที่ยวเพิ่มขึ้นในช่วงฤดูร้อน การค้าปลีกเพิ่มขึ้นในเดือนธันวาคม
- วงจร (ข้อต่อ) ยาวนานกว่าฤดูกาล มีขึ้น ๆ ลง ๆ ไม่สม่ำเสมอ ช่วงเวลาของการขยายตัวและการหดตัว
- ผิดปกติ/เสียงรบกวน ความผันผวนแบบสุ่มที่ไม่สามารถอธิบายได้
ก่อนที่จะประมาณค่าอนุกรม จำเป็นต้องสลายส่วนประกอบเหล่านี้ก่อน เนื่องจากการดูซีรีส์ดิบแล้วพูดว่า "มันกำลังตก" อาจทำให้เข้าใจผิดได้ บางทีคุณอาจกำลังตกอยู่ในฤดูกาล
นอกจากนี้ยังมีแนวคิดเรื่องความคงที่: คุณสมบัติทางสถิติ (ค่าเฉลี่ย ความแปรปรวน) ของอนุกรมจะไม่เปลี่ยนแปลงเมื่อเวลาผ่านไป ซีรีส์เศรษฐกิจส่วนใหญ่ไม่คงที่ (เติบโตอย่างต่อเนื่อง) โมเดลจำนวนมากต้องการความแตกต่าง (ลบช่วงเวลาหนึ่งจากอีกช่วงเวลาหนึ่ง) หรือการทำให้คงที่ด้วยลอการิทึมก่อนสร้าง AI แนะนำขั้นตอนเหล่านี้ แต่การรู้ว่าเหตุใดจึงจำเป็นจะช่วยปกป้องคุณ
เคล็ดลับ: ควรพล็อตและแยกชุดข้อมูลก่อนคาดการณ์เสมอ การพังทลายของโครงสร้างที่ชัดเจน (เช่น วิกฤตหรือการปฏิรูปสกุลเงิน) จะหลอกแม้กระทั่งโมเดลที่ล้ำหน้าที่สุด แผนภูมิเป็นเครื่องมือวินิจฉัยที่ถูกที่สุด
โมเดล: จากง่ายไปจนถึงซับซ้อน แต่ต้องมาก่อนเกณฑ์มาตรฐาน
กฎทองในการพยากรณ์อนุกรมเวลา: เริ่มต้นด้วยแบบจำลองการวัดประสิทธิภาพอย่างง่ายเสมอ การพยากรณ์ที่ง่ายที่สุดคือ "การพยากรณ์แบบไร้เดียงสา": พรุ่งนี้จะเท่ากับวันนี้ (หรือแบบไร้เดียงสาตามฤดูกาล: เดือนนี้เท่ากับเดือนเดียวกันของปีที่แล้ว) หากแบบจำลองที่ซับซ้อนไม่สามารถเอาชนะการทำนายที่ไร้เดียงสานี้ได้ ความซับซ้อนก็ไร้ประโยชน์
จากนั้นวิธีการที่ใช้บ่อย:
- ETS / การปรับให้เรียบแบบเอ็กซ์โปเนนเชียล ครอบครัวที่ลดระดับ แนวโน้ม และฤดูกาลลงด้วยการถ่วงน้ำหนัก
- กำลังโทร โมเดลคลาสสิกที่รวมการถดถอยอัตโนมัติ (ตามค่าที่ผ่านมา) และส่วนประกอบค่าเฉลี่ยเคลื่อนที่ เวอร์ชันตามฤดูกาล SARIMA
- แบบจำลองตามการถดถอย/เชิงอธิบาย การอธิบายตัวแปรด้วยตัวชี้วัดอื่นๆ (เช่น ความต้องการตามรายได้และราคา)
AI สามารถเขียนโค้ดทั้งหมดนี้ใน statsmodels (ไลบรารี Python) งานของคุณคือการเลือกและตรวจสอบโมเดล
Backtest: ทดสอบการทำนาย
มันไม่ได้มีความหมายอะไรเลยหากแบบจำลอง "เหมาะสม" กับข้อมูลในอดีต ยืดหยุ่นพอที่จะใส่ได้กับทุกรุ่น (เรียกว่าการสวมทับมากเกินไป) คำถามที่แท้จริง: แบบจำลองทำนายช่วงเวลาที่ไม่เห็นได้ดีเพียงใด ในการวัดสิ่งนี้ คุณต้องทำการทดสอบย้อนหลัง: คุณแบ่งข้อมูลตามวันที่ ฝึกโมเดลด้วยส่วนก่อนหน้า ให้มันคาดการณ์ส่วนถัดไป "ราวกับว่ามันเป็นอนาคต" และเปรียบเทียบกับความเป็นจริง การวัดข้อผิดพลาด (เช่น MAE — หมายถึงข้อผิดพลาดสัมบูรณ์ หรือ RMSE — ข้อผิดพลาดรูทค่าเฉลี่ยกำลังสอง) ทำให้คุณสามารถเปรียบเทียบแบบจำลองกับเกณฑ์มาตรฐานได้
ข้อควรระวัง: อย่าฝึกโมเดลด้วยข้อมูลที่คุณประเมิน วัดความสำเร็จในการทำนายเฉพาะช่วงเวลาที่ไม่ได้ใช้ในการฝึกอบรมเท่านั้น มิฉะนั้นคุณจะหลอกลวงตัวเอง แบบจำลองนี้ดูสวยงามบนกระดาษแต่ในความเป็นจริงแล้วไร้ประโยชน์
ความไม่แน่นอน: พิสัย ไม่ใช่การประมาณจุด
ตัวเลขเพียงตัวเดียว ("อัตราเงินเฟ้อจะอยู่ที่ 24 เปอร์เซ็นต์ภายในสิ้นปีนี้") แสดงถึงความแน่นอนที่ผิดพลาด การประมาณการอย่างตรงไปตรงมาประกอบด้วยช่วงและความน่าจะเป็น: "ในช่วงร้อยละ 21-27 สถานการณ์ศูนย์กลางคือ 24 เปอร์เซ็นต์" ความไม่แน่นอนของการพยากรณ์จะแสดงในช่วงความเชื่อมั่นที่สร้างโดยแบบจำลอง แต่ความไม่แน่นอนที่แท้จริงมีมากกว่านี้ เพราะสมมติฐานของแบบจำลองอาจผิดเช่นกัน การแตกหักของโครงสร้าง (การเปลี่ยนแปลงนโยบาย การกระแทกจากภายนอก) เป็นความเสี่ยงที่ใหญ่ที่สุดที่แบบจำลองไม่สามารถมองเห็นได้
มินิเคสสามอัน
กรณีที่ 1 — ไม่สามารถเอาชนะเกณฑ์มาตรฐานได้ นักวิเคราะห์ให้ AI สร้าง SARIMA ที่ซับซ้อนสำหรับการขายปลีกรายเดือน ในการทดสอบย้อนหลัง ข้อผิดพลาดสัมบูรณ์โดยเฉลี่ยของแบบจำลองแย่กว่าการคาดการณ์ตามฤดูกาลที่ระบุว่า "เดือนนี้เท่ากับเดือนเดียวกันของปีที่แล้ว" นักวิเคราะห์ละทิ้งแบบจำลองที่ซับซ้อน เขาใช้การเดาแบบไร้เดียงสาเป็นพื้นฐานและเพิ่มการแก้ไขโดยผู้เชี่ยวชาญ ความเรียบง่ายมีชัย
กรณีที่ 2 — การแตกหักของโครงสร้าง สถาบันแห่งหนึ่งใช้แบบจำลองอัตราเงินเฟ้อที่ได้รับการฝึกด้วยข้อมูลก่อนเกิดการเปลี่ยนแปลงของอัตราแลกเปลี่ยนในช่วงหลังเกิดการเปลี่ยนแปลง แบบจำลองประเมินอัตราเงินเฟ้อต่ำเกินไปอย่างรุนแรง เนื่องจากแบบจำลองนี้เป็นไปตามพลวัตของช่วงเวลาสงบในอดีต บทเรียน: โมเดลจะถือว่าโลกที่ได้รับการฝึกฝน เมื่อโลกเปลี่ยน คำทำนายก็พังทลายลง หากนักเศรษฐศาสตร์ดูกราฟ เขาจะเห็นการแตกหัก
กรณีที่ 3 — ความซื่อสัตย์ของช่วง นักเศรษฐศาสตร์รายหนึ่งได้นำเสนอการคาดการณ์การเติบโตในช่วงปลายปีต่อฝ่ายบริหารไม่ใช่เป็นตัวเลขเดียว แต่เป็น "ช่วงร้อยละ 3.0-4.2 สิ่งเหล่านี้เป็นสมมติฐานพื้นฐาน" ณ สิ้นปี การรับรู้อยู่ที่ร้อยละ 3.6; มันอยู่ในวงดนตรี หากเขาให้หมายเลขเดียว เขาอาจถูกระบุว่า "ผิด"; ช่วงและสมมติฐานมีทั้งความซื่อสัตย์และรักษาความไว้วางใจ
ตารางการเลือกรุ่น
สถานะ
เริ่มต้นที่เหมาะสม
หมายเหตุ
ทุกการคาดเดา
มาตรฐานไร้เดียงสา / ไร้เดียงสาตามฤดูกาล
ฐานที่จะเอาชนะ
เทรนด์ + ฤดูกาล ทรงตัว
ETS (การปรับให้เรียบแบบเอ็กซ์โปเนนเชียล)
ติดตั้งง่ายและแสดงความคิดเห็น
ซีรีส์ที่เกี่ยวข้องกับอัตโนมัติ
(ส)อาริมา
ต้องการความมั่นคง
มีตัวแปรอธิบาย
ตามการถดถอย
ผู้ทำนายอนาคตก็ต้องเช่นกัน
สงสัยโครงสร้างแตก
แบบ + การแก้ไขโดยผู้เชี่ยวชาญ
รุ่นเพียวไม่เพียงพอ
เทมเพลตที่สามารถคัดลอกได้สี่แบบ
1) การแยกวิเคราะห์และการวินิจฉัย:
พล็อตซีรีส์รายเดือนนั้น [ซีรีส์] จากนั้นแยกออกเป็นแนวโน้ม/ฤดูกาล/ส่วนประกอบที่เหลือ (แบบจำลองสถิติ) ตรวจสอบว่าอยู่นิ่งหรือไม่ (การทดสอบ ADF) และหากจำเป็น ให้อธิบายว่าการเปลี่ยนแปลงใด (บันทึก ความแตกต่าง) ที่คุณแนะนำ ทำเครื่องหมายว่ามีการแบ่งโครงสร้างที่มองเห็นได้ในแผนภูมิหรือไม่
2) การเปรียบเทียบเกณฑ์มาตรฐาน + โมเดล:
ขั้นแรกให้สร้างการคาดการณ์เกณฑ์มาตรฐานที่ไร้เดียงสาตามฤดูกาลสำหรับซีรี่ส์นี้ จากนั้นตั้งค่า ETS และ SARIMA เปรียบเทียบทั้งสามแบบโดยใช้ MAE และ RMSE กับ backtest (ทดสอบในช่วง 12 เดือนที่ผ่านมา) จัดตารางผลลัพธ์และระบุอย่างชัดเจนว่ารุ่นใดเหนือกว่าเกณฑ์มาตรฐาน
3) ช่วงประมาณการและความไม่แน่นอน:
คาดการณ์ 6 ช่วงเวลาถัดไปสำหรับโมเดลที่ฉันเลือก และให้ช่วงความเชื่อมั่น 80%/95% นำเสนอค่าประมาณเป็นช่วง ไม่ใช่ตัวเลขตัวเดียว ทำให้ชัดเจนว่าช่วงนี้ครอบคลุมเฉพาะความไม่แน่นอนของโมเดลเท่านั้น ไม่ใช่ความเสี่ยงของการแตกหักของโครงสร้าง/แรงกระแทกจากภายนอก
4) การอ่านย้อนหลัง:
ตีความผลลัพธ์การทดสอบย้อนหลังเหล่านี้ [ตาราง] โมเดลดังกล่าวเอาชนะเกณฑ์มาตรฐานจริง ๆ หรือความแตกต่างไม่มีนัยสำคัญทางสถิติหรือไม่? ระบุช่วงที่แบบจำลองของคุณทำผิดพลาดมากที่สุด และตั้งคำถามถึงเหตุผลทางเศรษฐกิจที่เป็นไปได้สำหรับเหตุการณ์นี้ (วิกฤต การเปลี่ยนแปลงตามฤดูกาล)
พรอมต์อ่อน / พรอมต์แรง
พรอมต์ที่อ่อนแอ:
เดาชุดนี้.
ปัญญาประดิษฐ์สร้างแบบจำลองแบบสุ่ม ไม่ทดสอบย้อนหลัง ให้เลขคี่ คุณไม่รู้ว่าโมเดลใช้งานได้หรือไม่
พรอมต์อันทรงพลัง:
ขั้นแรก ให้แยกชุดอัตราเงินเฟ้อรายเดือนในปัจจุบัน และสแกนหาจุดพัก ทดสอบย้อนหลัง ETS และ SARIMA ในช่วง 12 เดือนที่ผ่านมาเทียบกับเกณฑ์มาตรฐานที่ไร้เดียงสาตามฤดูกาล เปรียบเทียบกับ MAE เลือกรุ่นที่สูงกว่าเกณฑ์มาตรฐาน ให้การคาดการณ์ล่วงหน้า 6 เดือน และใส่ช่วง 80% เขียนความเสี่ยงของการแตกหักของโครงสร้างเป็นคำเตือนแยกต่างหาก แสดงรหัสสำหรับแต่ละขั้นตอนและหมายเลขสรุปที่ฉันสามารถตรวจสอบได้ด้วยตนเอง
ข้อผิดพลาดทั่วไป
- กระโดดเข้าสู่โมเดลที่ซับซ้อนโดยไม่ต้องตั้งค่าเกณฑ์มาตรฐาน ความซับซ้อนไม่เท่ากับความสำเร็จ
- การประเมินโมเดลจากข้อมูลที่ฝึก เข้าใจผิดว่าปฏิบัติตามมากเกินไปเพื่อความสำเร็จ
- ให้การประมาณจุดเดียว ความแน่นอนที่เป็นเท็จ; ช่วงและสมมติฐานที่ต้องการ
- โดยไม่สนใจการแตกหักของโครงสร้าง แบกอดีตแบบไดนามิกไปสู่อนาคตอย่างสุ่มสี่สุ่มห้า
- กำลังข้ามการรักษาเสถียรภาพ ความสัมพันธ์จอมปลอมและการทำนายที่บิดเบี้ยว
- นำเสนอคำทำนายเป็นคำทำนาย ซ่อนความไม่แน่นอนและความรับผิดชอบ
โดยสรุป
การพยากรณ์อนุกรมเวลาทำได้โดยการแยกอนุกรมออกเป็นส่วนประกอบ ทำให้อนุกรมหยุดนิ่ง สร้างเกณฑ์มาตรฐานอย่างง่าย เปรียบเทียบแบบจำลองด้วยการทดสอบย้อนกลับ และนำเสนอผลลัพธ์อย่างตรงไปตรงมาด้วยช่วงความไม่แน่นอน ปัญญาประดิษฐ์จะสร้างโค้ดอย่างรวดเร็วสำหรับขั้นตอนเหล่านี้ทั้งหมด แต่ความรับผิดชอบในการเลือกแบบจำลอง การตัดสินโครงสร้างและการพยากรณ์นั้นขึ้นอยู่กับนักเศรษฐศาสตร์ การทำนายไม่ใช่คำทำนาย แต่เป็นการทำนายที่มีเงื่อนไขและไม่แน่นอน
งานสมัคร
เลือกชุดข้อมูลเศรษฐกิจรายเดือน (เช่น ดัชนีการผลิตภาคอุตสาหกรรม) แยกและสแกนหาฝ่าวงล้อมด้วยเทมเพลตที่ 1 ทดสอบย้อนหลัง ETS/SARIMA เทียบกับเกณฑ์มาตรฐานตามฤดูกาลด้วยเทมเพลตที่ 2 สร้างการคาดการณ์ช่วงล่วงหน้า 6 เดือนด้วยเทมเพลตที่ 3 โปรดทราบว่าโมเดลของคุณเหนือกว่าเกณฑ์มาตรฐานจริงหรือไม่ และทำเครื่องหมายการแตกโครงสร้างใดๆ ที่คุณเห็นหรือไม่
รายการตรวจสอบ
- [ ] ฉันวางแผนซีรีส์เรื่องนี้และวินิจฉัยตามแนวโน้ม/ฤดูกาล/ช่วงพัก
- [ ] ฉันได้ใช้การทำให้อยู่กับที่ (บันทึก/ความแตกต่าง) หากจำเป็น และฉันรู้เหตุผลแล้ว
- [ ] ฉันสร้างเกณฑ์มาตรฐานอย่างง่ายและเปรียบเทียบโมเดลที่ซับซ้อนกับมัน
- [ ] ฉันประเมินแบบจำลองเฉพาะในช่วงเวลาที่ไม่ได้อยู่ในการฝึกอบรม (backtest)
- [ ] ฉันนำเสนอค่าประมาณด้วยช่วงความไม่แน่นอน ไม่ใช่ตัวเลขตัวเดียว
- [ ] ฉันกล่าวถึงความเสี่ยงต่อการแตกหักของโครงสร้าง/แรงกระแทกจากภายนอกเป็นคำเตือนแยกต่างหาก
- [ ] ฉันยืนยันว่าความรับผิดชอบในการทำนายและการตัดสินขั้นสุดท้ายเป็นของฉัน