Mga nadagdag:
- Pag-unawa sa mga konsepto ng time series gaya ng trend, seasonality, cycle at stationarity na may suporta ng artificial intelligence at kakayahang mag-parse ng isang serye nang tama
- Kakayahang mag-install ng ARIMA, ETS at mga simpleng benchmark na modelo sa artificial intelligence bilang code, gumawa ng mga hula at suriin ang mga ito gamit ang backtesting
- Ang kakayahang maunawaan ang kahinaan ng forecast sa harap ng saklaw ng kawalan ng katiyakan, limitasyon ng modelo at structural break, at mapanatili na ang responsibilidad para sa forecast ay nananatili sa ekonomista.
Ang wika ng ekonomiya ay oras. Inflation, paglago, kawalan ng trabaho, mga halaga ng palitan — lahat sila ay serye na dumadaloy sa paglipas ng panahon, at isa sa mga bagay na madalas itanong sa ekonomista ay "so ano ang susunod na mangyayari?" ay ang tanong. Sa unit na ito, gagamitin namin ang artificial intelligence para maunawaan ang mga konsepto ng time series, bumuo ng code ng modelo, at gumawa ng mga pagtataya. Ngunit linawin natin ang balangkas mula pa sa simula: Ang isang hula ay hindi isang hula, ngunit isang kondisyon na hula sa ilalim ng kawalan ng katiyakan, at ang responsibilidad ay nakasalalay sa ekonomista. Maaaring isulat sa iyo ng AI ang ARIMA code sa ilang minuto; Ngunit ang tao ang magpapasya kung ang hula na iyon ay makatwiran o hindi at kung ito ay babagsak sa harap ng isang structural break.
Mga bahagi ng isang serye ng oras
Nakakatulong na isipin ang anumang serye ng ekonomiya sa pamamagitan ng paghahati-hati nito sa apat na bahagi:
- Uso (hilig). Pangmatagalang direksyon; tulad ng landas ng paglago ng ekonomiya.
- Pana-panahon. Pattern na umuulit nang regular sa buong taon; Tumataas ang turismo sa tag-araw, tumataas ang tingian sa Disyembre.
- Ikot (conjuncture). Mas mahaba kaysa sa panahon, hindi regular na pagtaas at pagbaba; mga panahon ng pagpapalawak at pag-urong.
- Mali-mali/ingay. Hindi maipaliwanag, random na pagbabagu-bago.
Bago tantyahin ang isang serye, kinakailangan na mabulok ang mga sangkap na ito. Sapagkat ang pagtingin sa hilaw na serye at pagsasabi ng "nahuhulog na" ay maaaring nakaliligaw: marahil ikaw ay nasa isang pana-panahong labangan.
Mayroon ding konsepto ng stationarity: ang statistical properties (mean, variance) ng isang serye ay hindi nagbabago sa paglipas ng panahon. Karamihan sa mga pang-ekonomiyang serye ay hindi nakatigil (patuloy na lumalaki); Maraming mga modelo ang nangangailangan ng differencing (pagbabawas ng isang tuldok mula sa isa pa) o stationarization na may logarithms bago bumuo. Inirerekomenda ng AI ang mga hakbang na ito, ngunit ang pag-alam kung bakit kailangan ang mga ito ay nagpoprotekta sa iyo.
Tip: Palaging i-plot at i-decompose ang serye bago hulaan. Ang isang maliwanag na structural break (hal. isang krisis o reporma sa pera) ay maloloko kahit na ang pinaka-advanced na modelo. Ang tsart ay ang pinakamurang diagnostic tool.
Mga Modelo: mula sa simple hanggang sa kumplikado, ngunit una ang benchmark
Ang ginintuang tuntunin sa pagtataya ng serye ng oras: palaging magsimula sa isang simpleng benchmark na modelo. Ang pinakasimpleng hula ay ang “naive forecast”: bukas ay magiging katumbas ng ngayon (o pana-panahong walang muwang: ang buwang ito ay katumbas ng parehong buwan noong nakaraang taon). Kung hindi matalo ng isang kumplikadong modelo ang walang muwang na hulang ito, walang saysay ang pagiging kumplikado.
Pagkatapos ay madalas na ginagamit na mga pamamaraan:
- ETS / Exponential smoothing. Isang pamilya na nagpapalambot sa antas, kalakaran at seasonality sa pamamagitan ng pagtimbang sa kanila.
- TUMAWAG. Ang klasikal na modelo na pinagsasama-sama ang autoregressive (batay sa mga nakaraang halaga) at moving average na mga bahagi; pana-panahong bersyon SARIMA.
- Mga modelong nakabatay sa regression/nagpapaliwanag. Pagpapaliwanag ng isang variable sa iba pang mga indicator (hal. demand sa pamamagitan ng kita at presyo).
Maaaring i-code ng AI ang lahat ng ito sa statsmodels (Python library). Ang iyong trabaho ay pumili at patunayan ang mga modelo.
Backtest: pagsubok ng hula
Wala itong ibig sabihin kung ang isang modelo ay "angkop nang maayos" sa makasaysayang data; Sapat na kakayahang umangkop upang magkasya sa anumang modelo (ito ay tinatawag na overfitting). Ang tunay na tanong: gaano kahusay hinulaan ng modelo ang mga panahon na hindi nito nakita? Upang sukatin ito, gumawa ka ng backtesting: hinati mo ang data sa isang petsa, sanayin ang modelo sa naunang bahagi, ipahuhula nito ang susunod na bahagi "na parang ito ang hinaharap" at ikumpara ito sa katotohanan. Ang mga hakbang sa error (halimbawa, MAE — mean absolute error, o RMSE — root mean square error) ay nagbibigay-daan sa iyo na ihambing ang modelo sa benchmark.
Babala: Huwag sanayin ang modelo gamit ang data na iyong nasuri. Sukatin ang tagumpay ng hula lamang sa mga panahong hindi ginagamit sa pagsasanay. Kung hindi, linlangin mo ang iyong sarili; Ang modelo ay lumalabas na mahusay sa papel ngunit walang silbi sa katotohanan.
Kawalang-katiyakan: saklaw, hindi pagtatantya ng punto
Ang isang solong numero (“magiging 24 porsiyento ang inflation sa pagtatapos ng taon”) ay nagpapakita ng maling katiyakan. Ang matapat na pagtatantya ay may kasamang saklaw at posibilidad: "sa 21-27 porsiyentong banda, ang sentrong senaryo ay 24 porsiyento." Ang kawalan ng katiyakan sa pagtataya ay ipinahayag sa mga pagitan ng kumpiyansa na ginawa ng modelo; ngunit ang tunay na kawalan ng katiyakan ay mas malaki kaysa dito, dahil ang mga pagpapalagay ng modelo ay maaaring mali rin. Ang structural break (pagbabago ng patakaran, external shock) ay ang pinakamalaking panganib na hindi nakikita ng modelo.
tatlong mini case
Case 1 — Nabigong matalo ang benchmark. Isang analyst ang nagpagawa sa AI ng isang kumplikadong SARIMA para sa buwanang retail na benta. Sa backtest, ang average na ganap na error ng modelo ay mas malala kaysa sa pana-panahong walang muwang na pagtataya na nagsasabing "ang buwang ito ay katumbas ng parehong buwan noong nakaraang taon." Inabandona ng analyst ang kumplikadong modelo; Kinuha niya ang walang muwang na hula bilang batayan at nagdagdag ng isang dalubhasang pagwawasto. Panalo ang pagiging simple.
Kaso 2 — Structural break. Ginamit ng isang institusyon ang inflation model na sinanay nito gamit ang data bago ang exchange rate shock para sa post-shock period. Ang modelo ay lubos na minamaliit ang inflation dahil ipinalagay nito ang dinamika ng nakaraang panahon ng kalmado. Aral: ipinapalagay ng modelo ang mundo kung saan ito sinanay; Kapag nagbago ang mundo, gumuho ang hula. Kung titingnan ng ekonomista ang graph, makikita niya ang break.
Kaso 3 — Katapatan ng saklaw. Isang ekonomista ang nagpakita ng kanyang year-end growth forecast sa management hindi bilang isang figure, ngunit bilang "3.0-4.2 percent band, ito ang mga pinagbabatayan na pagpapalagay." Sa pagtatapos ng taon, ang realisasyon ay 3.6 porsiyento; Ito ay nasa banda. Kung nagbigay siya ng isang numero, maaaring may label siyang "mali"; ang saklaw at mga pagpapalagay ay parehong tapat at pinananatili ang tiwala.
Talahanayan ng pagpili ng modelo
Katayuan
tamang pagsisimula
tala
Bawat hula
Walang muwang / pana-panahong walang muwang na benchmark
Ang batayan upang matalo
Trend + seasonality, flat
ETS (exponential smoothing)
Madaling i-install at magkomento
Autocorrelated na serye
(S)ARIMA
Kailangan ng stabilization
Mayroong isang paliwanag na variable
Batay sa regression
Ang mga manghuhula ng hinaharap ay dapat din
Hinala ng structural break
Model + pagwawasto ng eksperto
Ang dalisay na modelo ay hindi sapat
Apat na maaaring kopyahin na mga template
1) Pag-parse at diagnosis:
I-plot ang buwanang serye [serye] na iyon, pagkatapos ay paghiwalayin ito sa trend/seasonality/mga natitirang bahagi (statsmodels). Suriin kung ito ay nakatigil (ADF test) at, kung kinakailangan, ipaliwanag kung aling pagbabago (log, pagkakaiba) ang iyong inirerekomenda. Markahan kung may nakikitang structural break sa tsart.
2) Benchmark + paghahambing ng modelo:
Magtatag muna ng pana-panahong walang muwang na benchmark na hula para sa seryeng ito. Pagkatapos ay mag-set up ng isang ETS at isang SARIMA. Ihambing ang lahat ng tatlo batay sa MAE at RMSE sa isang backtest (pagsubok sa huling 12 buwan). I-tabulate ang mga resulta at malinaw na sabihin kung aling modelo ang natalo sa benchmark.
3) Tantiya at saklaw ng kawalan ng katiyakan:
Hulaan ang susunod na 6 na panahon para sa modelong pinili ko at magbigay ng 80%/95% na mga agwat ng kumpiyansa. Ipakita ang pagtatantya bilang isang hanay, hindi bilang isang solong numero. Gawing malinaw na sinasaklaw LAMANG ng hanay na ito ang kawalan ng katiyakan ng modelo, hindi ang panganib ng pagkasira ng istruktura/panlabas na pagkabigla.
4) Backtest na pagbabasa:
Bigyang-kahulugan ang mga resulta ng backtest na ito [talahanayan]. Talaga bang natalo ng modelo ang benchmark, o hindi gaanong mahalaga ang pagkakaiba sa istatistika? Sabihin kung aling mga panahon ang iyong modelo ay gumawa ng pinakamaraming pagkakamali at tanungin ang posibleng pang-ekonomiyang dahilan para dito (krisis, pagbabago sa panahon).
Mahinang prompt / Malakas na prompt
Mahinang prompt:
Hulaan ang seryeng ito.
Ang artificial intelligence ay bumubuo ng isang random na modelo, hindi nagba-backtest, nagbibigay ng kakaibang numero; Hindi mo alam kung gumagana ang modelo o hindi.
Napakahusay na prompt:
I-decompose muna ang kasalukuyang buwanang serye ng inflation at i-scan para sa mga break. Backtest ETS at SARIMA sa nakalipas na 12 buwan laban sa isang pana-panahong walang muwang na benchmark, ihambing sa MAE. Piliin ang modelong higit sa benchmark, magbigay ng 6 na buwang hula sa hinaharap at maglagay ng 80% na saklaw. Isulat ang panganib ng pagkasira ng istruktura bilang isang hiwalay na babala. Ipakita ang code para sa bawat hakbang at mga numero ng buod na maaari kong i-verify nang manu-mano.
Mga karaniwang pagkakamali
- Tumalon sa kumplikadong modelo nang hindi nagse-set up ng mga benchmark. Ang pagiging kumplikado ay hindi katumbas ng tagumpay.
- Pagsusuri ng modelo sa data na pinagsanayan nito. Napagkamalan ang labis na pagsunod para sa tagumpay.
- Pagbibigay ng isang puntong pagtatantya. Maling katiyakan; kinakailangan ang saklaw at pagpapalagay.
- Hindi pinapansin ang structural break. Blindly na dinadala ang nakaraan dynamic sa hinaharap.
- Nilaktawan ang stabilization. Mga pekeng relasyon at pangit na hula.
- Paglalahad ng hula bilang isang propesiya. Itinatago ang kawalan ng katiyakan at responsibilidad.
Sa buod
Ginagawa ang pagtataya ng serye ng oras sa pamamagitan ng paghihiwalay ng isang serye sa mga bahagi nito, ginagawa itong nakatigil, pagtatatag ng isang simpleng benchmark, paghahambing ng mga modelo sa pamamagitan ng backtesting, at pagpapakita ng resulta nang tapat sa hanay ng kawalan ng katiyakan. Mabilis na bumubuo ang artificial intelligence ng code para sa lahat ng hakbang na ito; Ngunit ang responsibilidad para sa pagpili ng modelo, paghatol sa structural break at pagtataya ay nakasalalay sa ekonomista. Ang isang hula ay hindi isang hula, ngunit isang kondisyon at hindi tiyak na hula.
Gawain ng aplikasyon
Pumili ng buwanang serye ng ekonomiya (hal. industrial production index). Paghiwalayin at i-scan para sa mga breakout gamit ang 1st template, backtest ETS/SARIMA laban sa pana-panahong walang muwang na benchmark na may 2nd template, gumawa ng 6 na buwang forward range forecast gamit ang 3rd template. Tandaan kung talagang natalo ng iyong modelo ang benchmark at i-flag ang anumang mga structural break na nakikita mo.
checklist
- [ ] Na-plot ko ang serye at na-diagnose ito sa mga tuntunin ng trend/seasonality/break.
- [ ] Nag-apply ako ng stationarization (log/difference) kung kinakailangan at alam ko ang dahilan.
- [ ] Nag-set up ako ng isang simpleng benchmark at inihambing ang kumplikadong modelo laban dito.
- [ ] Sinuri ko lamang ang modelo sa mga panahong wala ito sa pagsasanay (backtest).
- [ ] Iniharap ko ang pagtatantya ng isang hanay ng kawalan ng katiyakan, hindi isang solong numero.
- [ ] Binanggit ko ang structural break/external shock risk bilang isang hiwalay na babala.
- [ ] Nanindigan ako na ang responsibilidad para sa hula at panghuling paghatol ay nasa akin.