Kazanimlar:
- Trend, mevsimsellik, döngü ve durağanlık gibi zaman serisi kavramlarını yapay zeka desteğiyle anlayıp bir seriyi doğru ayrıştırabilme
- ARIMA, ETS ve basit karşılaştırma (benchmark) modellerini yapay zekaya kod olarak kurdurup tahmin ürettirebilme ve geriye dönük test (backtest) ile değerlendirebilme
- Tahminin belirsizlik aralığı, model sınırı ve yapısal kırılma karşısında kırılganlığını kavrayıp tahmin sorumluluğunun iktisatçıda kaldığını koruyabilme
Ekonominin dili zamandır. Enflasyon, büyüme, işsizlik, kur — hepsi zaman içinde akan serilerdir ve iktisatçının en sık istendiği şeylerden biri "peki bundan sonra ne olacak?" sorusudur. Bu ünitede yapay zekayı zaman serisi kavramlarını anlamak, model kodu kurmak ve tahmin üretmek için kullanacağız. Ama en baştan çerçeveyi netleştirelim: Tahmin bir kehanet değil, belirsizlik altında koşullu bir öngörüdür ve sorumluluğu iktisatçıdadır. Yapay zeka size ARIMA kodunu dakikalar içinde yazabilir; ama o tahminin makul olup olmadığına, yapısal bir kırılma karşısında çökup çökmeyeceğine karar veren insandır.
Bir zaman serisinin bileşenleri
Herhangi bir ekonomik seriyi dört parçaya ayırarak düşünmek işe yarar:
- Trend (eğilim). Uzun dönemli yön; ekonominin büyüme patikası gibi.
- Mevsimsellik. Yıl içinde düzenli tekrar eden desen; turizmin yazın artması, perakendenin aralıkta yükselmesi.
- Döngü (konjonktür). Mevsimden daha uzun, düzensiz iniş-çıkışlar; genişleme-daralma dönemleri.
- Düzensiz/gürültü. Açıklanamayan, rastgele dalgalanma.
Bir seriyi tahmin etmeden önce bu bileşenleri ayrıştırmak (decomposition) gerekir. Çünkü ham seriye bakıp "düşüyor" demek yanıltıcı olabilir: belki sadece mevsimsel bir çukurdasınızdır.
Bir de durağanlık (stationarity) kavramı vardır: bir serinin istatistiksel özelliklerinin (ortalama, varyans) zamanla değişmemesi. Çoğu ekonomik seri durağan değildir (sürekli büyür); birçok model kurmadan önce fark alma (bir dönemin diğerinden çıkarılması) veya logaritma ile durağanlaştırma gerekir. Yapay zeka bu adımları önerir, ama neden gerektiğini bilmek sizi korur.
İpucu: Tahmine geçmeden önce daima seriyi çizin ve ayrıştırın. Gözle görülen bir yapısal kırılma (örneğin bir kriz veya para birimi reformu), en gelişmiş modeli bile yanıltır. Grafik, en ucuz teşhis aracıdır.
Modeller: basitten karmaşığa, ama önce benchmark
Zaman serisi tahmininde altın kural: her zaman basit bir karşılaştırma (benchmark) modeliyle başlayın. En basit tahmin "naif tahmin"dir: yarın bugüne eşit olacak (veya mevsimsel naif: bu ay geçen yılın aynı ayına eşit). Karmaşık bir model bu naif tahmini yenemiyorsa, karmaşıklık boşunadır.
Sonra sık kullanılan yöntemler:
- ETS / Üstel düzleştirme. Seviyeyi, trendi ve mevsimselliği ağırlıklandırarak yumuşatan bir aile.
- ARIMA. Otoregresif (geçmiş değerlere bağlı) ve hareketli ortalama bileşenlerini birleştiren klasik model; mevsimsel versiyonu SARIMA.
- Regresyon temelli / açıklayıcı modeller. Bir değişkeni başka göstergelerle açıklama (örn. talebi gelir ve fiyatla).
Yapay zeka bunların hepsinin statsmodels (Python kütüphanesi) kodunu yazabilir. Sizin işiniz model seçmek ve doğrulamaktır.
Geriye dönük test (backtest): tahminin sınavı
Bir modelin geçmiş veriye "güzel uyması" hiçbir şey ifade etmez; yeterince esnek her model uyar (buna aşırı uyum / overfitting denir). Gerçek soru: model, görmediği dönemleri ne kadar iyi tahmin ediyor? Bunu ölçmek için geriye dönük test yaparsınız: veriyi bir tarihte bölersiniz, modeli önceki kısımla eğitir, sonraki kısmı "geleceğmiş gibi" tahmin ettirir ve gerçekle karşılaştırırsınız. Hata ölçüleri (örneğin MAE — ortalama mutlak hata, veya RMSE — kök ortalama kare hata) modeli benchmark ile kıyaslamanızı sağlar.
Dikkat: Modeli değerlendirdiğiniz veriyle eğitmeyin. Tahmin başarısını sadece eğitimde kullanılmamış dönemlerde ölçün. Aksi halde kendinizi kandırırsınız; model kâğıtta harika, gerçekte işe yaramaz çıkar.
Belirsizlik: nokta tahmini değil, aralık
Tek bir sayı ("enflasyon yıl sonunda yüzde 24 olacak") sahte bir kesinlik yayar. Dürüst tahmin bir aralık ve olasılık içerir: "yüzde 21-27 bandında, merkez senaryo yüzde 24". Tahmin belirsizliği modelin ürettiği güven aralıklarıyla ifade edilir; ama gerçek belirsizlik bundan daha büyüktür, çünkü model varsayımları da yanlış olabilir. Yapısal kırılma (politika değişikliği, dış şok) modelin göremediği en büyük risktir.
Üç mini vaka
Vaka 1 — Benchmark'ı yenememek. Bir analist aylık perakende satışlar için yapay zekaya karmaşık bir SARIMA kurdurdu. Backtest'te modelin ortalama mutlak hatası, "bu ay geçen yılın aynı ayına eşit" diyen mevsimsel naif tahminden daha kötüydü. Analist karmaşık modeli terk etti; naif tahmini temel aldı, üstüne uzman düzeltmesi koydu. Basitlik kazandı.
Vaka 2 — Yapısal kırılma. Bir kurum, kur şoku öncesi veriyle eğittiği enflasyon modelini şok sonrası dönem için kullandı. Model, geçmiş sakin dönemin dinamiğini varsaydığı için enflasyonu ciddi biçimde düşük tahmin etti. Ders: model, eğitildiği dünyayı varsayar; dünya değişince tahmin çöker. İktisatçı grafiğe baksa kırılmayı görürdü.
Vaka 3 — Aralığın dürüstlüğü. Bir ekonomist yıl sonu büyüme tahminini yönetime tek rakam olarak değil, "yüzde 3,0-4,2 bandı, dayanak varsayımlar şunlar" diye sundu. Yıl sonunda gerçekleşme yüzde 3,6 çıktı; bant içindeydi. Tek rakam verseydi "yanıldı" damgası yiyebilirdi; aralık ve varsayımlar hem dürüsttü hem güveni korudu.
Model seçim tablosu
Durum
Uygun başlangıç
Not
Her tahmin işi
Naif / mevsimsel naif benchmark
Yenilmesi gereken taban
Trend + mevsimsellik, düz
ETS (üstel düzleştirme)
Kurması ve yorumu kolay
Otokorelasyonlu seri
(S)ARIMA
Durağanlaştırma gerekir
Açıklayıcı değişken var
Regresyon temelli
Öngörücüler geleceği de gerekir
Yapısal kırılma şüphesi
Model + uzman düzeltmesi
Saf model yetmez
Dört kopyalanabilir şablon
1) Ayrıştırma ve teşhis:
Şu aylık seriyi [seri] önce çiz, sonra trend/mevsimsellik/artıkbileşenlerine ayır (statsmodels). Durağan mı diye kontrol et(ADF testi) ve gerekiyorsa hangi dönüşümü (log, fark) önerdiğinigerekçesiyle söyle. Grafikte gözle görülür bir yapısal kırılmavar mı, işaretle.
2) Benchmark + model karşılaştırması:
Bu seri için önce mevsimsel naif bir benchmark tahmin kur. Sonrabir ETS ve bir SARIMA kur. Üçünü de geriye dönük test (son 12 ayıtest) ile MAE ve RMSE üzerinden karşılaştır. Sonuçları tablo yapve hangi modelin benchmark'ı yendiğini açıkça belirt.
3) Tahmin ve belirsizlik aralığı:
Seçtiğim model için önümüzdeki 6 dönemi tahmin et ve %80/%95 güvenaralıklarını ver. Tahmini tek sayı olarak değil, aralıkla sun.Bu aralığın SADECE model belirsizliğini kapsadığını, yapısalkırılma/dış şok riskini kapsamadığını açıkça yaz.
4) Backtest okuma:
Şu backtest sonuçlarını [tablo] yorumla. Model benchmark'ı gerçektenyeniyor mu, yoksa fark istatistiksel olarak önemsiz mi? Modelinen çok hangi dönemlerde hata yaptığını belirt ve bunun olasıiktisadi nedenini (kriz, mevsim değişimi) sorgula.
Zayıf prompt / Güçlü prompt
Zayıf prompt:
Şu seriyi tahmin et.
Yapay zeka rastgele bir model kurar, backtest yapmaz, tek sayı verir; siz modelin işe yarayıp yaramadığını bilemezsiniz.
Güçlü prompt:
Şu aylık enflasyon serisini önce ayrıştır ve kırılma taraması yap.Mevsimsel naif benchmark'a karşı ETS ve SARIMA'yı son 12 aydabacktest et, MAE ile karşılaştır. Benchmark'ı yenen modeli seç,6 ay ileri tahmin ver ve %80 aralık koy. Yapısal kırılma riskiniayrı bir uyarı olarak yaz. Her adımın kodunu ve elledoğrulayabileceğim özet sayıları göster.
Sık yapılan hatalar
- Benchmark kurmadan karmaşık modele atlamak. Karmaşıklık başarı demek değildir.
- Modeli eğittiği veride değerlendirmek. Aşırı uyumu başarı sanmak.
- Tek nokta tahmini vermek. Sahte kesinlik; aralık ve varsayım şart.
- Yapısal kırılmayı görmezden gelmek. Geçmiş dinamiği geleceğe kör biçimde taşımak.
- Durağanlaştırmayı atlamak. Sahte ilişkiler ve bozuk tahmin.
- Tahmini kehanet gibi sunmak. Belirsizliği ve sorumluluğu gizlemek.
Özetle
Zaman serisi tahmini, bir seriyi bileşenlerine ayırmak, durağanlaştırmak, basit bir benchmark kurmak, modelleri geriye dönük test ile kıyaslamak ve sonucu belirsizlik aralığıyla dürüstçe sunmakla yapılır. Yapay zeka tüm bu adımların kodunu hızlıca üretir; ama model seçimi, yapısal kırılma yargısı ve tahmin sorumluluğu iktisatçıdadır. Tahmin bir kehanet değil, koşullu ve belirsiz bir öngörüdür.
Uygulama görevi
Aylık bir ekonomik seri seçin (örn. sanayi üretim endeksi). 1. şablonla ayrıştırıp kırılma taraması yapın, 2. şablonla mevsimsel naif benchmark'a karşı ETS/SARIMA'yı backtest edin, 3. şablonla 6 ay ileri aralıklı tahmin üretin. Modelinizin benchmark'ı gerçekten yenip yenmediğini not edin ve gördüğünüz herhangi bir yapısal kırılmayı işaretleyin.
Kontrol listesi
- [ ] Seriyi çizip trend/mevsimsellik/kırılma açısından teşhis ettim.
- [ ] Gerekiyorsa durağanlaştırma (log/fark) uyguladım ve gerekçesini biliyorum.
- [ ] Basit bir benchmark kurdum ve karmaşık modeli ona karşı kıyasladım.
- [ ] Modeli yalnızca eğitimde görmediği dönemlerde (backtest) değerlendirdim.
- [ ] Tahmini tek sayı değil, belirsizlik aralığıyla sundum.
- [ ] Yapısal kırılma/dış şok riskini ayrı bir uyarı olarak belirttim.
- [ ] Tahmin sorumluluğunun ve nihai yargının bende olduğunu korudum.