Lợi nhuận:
- Hiểu các khái niệm về chuỗi thời gian như xu hướng, tính thời vụ, chu kỳ và tính ổn định với sự hỗ trợ của trí tuệ nhân tạo và có thể phân tích chuỗi một cách chính xác
- Khả năng cài đặt ARIMA, ETS và các mô hình điểm chuẩn đơn giản vào trí tuệ nhân tạo dưới dạng mã, đưa ra dự đoán và đánh giá chúng bằng quá trình kiểm tra ngược
- Có thể hiểu được tính mong manh của dự báo khi đối mặt với phạm vi không chắc chắn, giới hạn mô hình và sự phá vỡ cấu trúc, đồng thời duy trì rằng trách nhiệm đối với dự báo vẫn thuộc về nhà kinh tế.
Ngôn ngữ của kinh tế học là thời gian. Lạm phát, tăng trưởng, thất nghiệp, tỷ giá hối đoái - tất cả đều là những chuỗi diễn biến theo thời gian và một trong những điều mà các nhà kinh tế thường được hỏi nhất là "vậy điều gì sẽ xảy ra tiếp theo?" là câu hỏi. Trong phần này, chúng ta sẽ sử dụng trí tuệ nhân tạo để hiểu các khái niệm về chuỗi thời gian, xây dựng mã mô hình và đưa ra dự báo. Nhưng chúng ta hãy làm rõ khuôn khổ ngay từ đầu: Dự báo không phải là một lời tiên tri, mà là một dự đoán có điều kiện trong điều kiện không chắc chắn, và trách nhiệm thuộc về nhà kinh tế học. AI có thể viết mã ARIMA cho bạn trong vài phút; Nhưng chính con người mới là người quyết định liệu dự đoán đó có hợp lý hay không và liệu nó có sụp đổ khi đối mặt với sự phá vỡ cấu trúc hay không.
Các thành phần của chuỗi thời gian
Sẽ rất hữu ích khi nghĩ về bất kỳ chuỗi kinh tế nào bằng cách chia nó thành bốn phần:
- Xu hướng (xu hướng). Định hướng dài hạn; như con đường tăng trưởng của nền kinh tế.
- Tính thời vụ. Mô hình lặp lại thường xuyên trong suốt cả năm; Du lịch tăng vào mùa hè, bán lẻ tăng vào tháng 12.
- Chu kỳ (kết hợp). Dài hơn mùa, thăng trầm thất thường; các thời kỳ giãn nở và co lại.
- Thất thường/ồn ào. Biến động ngẫu nhiên, không giải thích được.
Trước khi ước lượng một chuỗi, cần phải phân rã các thành phần này. Bởi vì nhìn vào loạt ảnh thô và nói "nó đang rơi" có thể gây hiểu nhầm: có thể bạn đang ở trong thời kỳ khó khăn theo mùa.
Ngoài ra còn có khái niệm về tính dừng: các thuộc tính thống kê (trung bình, phương sai) của một chuỗi không thay đổi theo thời gian. Hầu hết các chuỗi kinh tế đều không dừng (không ngừng tăng trưởng); Nhiều mô hình yêu cầu vi phân (trừ chu kỳ này với chu kỳ khác) hoặc cố định bằng logarit trước khi xây dựng. AI khuyến nghị các bước này nhưng biết lý do tại sao chúng cần thiết sẽ bảo vệ bạn.
Mẹo: Luôn vẽ đồ thị và phân tách chuỗi trước khi dự đoán. Một sự phá vỡ cấu trúc rõ ràng (ví dụ như một cuộc khủng hoảng hoặc cải cách tiền tệ) sẽ đánh lừa ngay cả mô hình tiên tiến nhất. Biểu đồ là công cụ chẩn đoán rẻ nhất.
Mô hình: từ đơn giản đến phức tạp nhưng trước hết là chuẩn mực
Nguyên tắc vàng trong dự báo chuỗi thời gian: luôn bắt đầu bằng một mô hình chuẩn đơn giản. Dự báo đơn giản nhất là “dự báo ngây thơ”: ngày mai sẽ bằng hôm nay (hoặc dự báo ngây thơ theo mùa: tháng này bằng tháng này năm ngoái). Nếu một mô hình phức tạp không thể đánh bại được dự đoán ngây thơ này thì sự phức tạp sẽ vô ích.
Sau đó, các phương pháp thường được sử dụng:
- ETS / Làm mịn theo cấp số nhân. Một nhóm làm dịu đi mức độ, xu hướng và tính thời vụ bằng cách cân nhắc chúng.
- ĐANG GỌI. Mô hình cổ điển kết hợp các thành phần tự hồi quy (dựa trên các giá trị trong quá khứ) và các thành phần trung bình động; phiên bản theo mùa SARIMA.
- Mô hình dựa trên hồi quy/giải thích. Giải thích một biến bằng các chỉ số khác (ví dụ: nhu cầu theo thu nhập và giá cả).
AI có thể mã hóa tất cả những thứ này trong mô hình thống kê (thư viện Python). Công việc của bạn là lựa chọn và xác nhận các mô hình.
Backtest: kiểm tra dự đoán
Sẽ không có ý nghĩa gì nếu một mô hình "phù hợp hoàn hảo" với dữ liệu lịch sử; Đủ linh hoạt để phù hợp với bất kỳ mô hình nào (điều này được gọi là trang bị quá mức). Câu hỏi thực sự là: mô hình dự đoán những giai đoạn mà nó chưa từng thấy tốt đến mức nào? Để đo lường điều này, bạn thực hiện kiểm tra ngược: bạn phân tách dữ liệu vào một ngày, huấn luyện mô hình với phần trước đó, yêu cầu mô hình dự đoán phần tiếp theo "như thể đó là tương lai" và so sánh nó với thực tế. Các thước đo lỗi (ví dụ: MAE - sai số tuyệt đối trung bình hoặc RMSE - sai số bình phương trung bình gốc) cho phép bạn so sánh mô hình với điểm chuẩn.
Thận trọng: Không huấn luyện mô hình với dữ liệu bạn đã đánh giá. Chỉ đo lường mức độ thành công của dự đoán trong những khoảng thời gian không được sử dụng trong quá trình đào tạo. Bằng không bạn sẽ tự lừa dối mình; Mô hình này trông tuyệt vời trên giấy tờ nhưng lại vô dụng trong thực tế.
Sự không chắc chắn: phạm vi, không phải ước tính điểm
Một con số duy nhất (“lạm phát sẽ ở mức 24% vào cuối năm nay”) thể hiện sự chắc chắn sai lầm. Ước tính trung thực bao gồm một phạm vi và xác suất: "trong phạm vi 21-27 phần trăm, kịch bản trung tâm là 24 phần trăm". Độ không chắc chắn của dự báo được thể hiện bằng khoảng tin cậy do mô hình tạo ra; nhưng độ không chắc chắn thực tế còn lớn hơn thế, bởi vì các giả định của mô hình cũng có thể sai. Sự phá vỡ cấu trúc (thay đổi chính sách, cú sốc bên ngoài) là rủi ro lớn nhất mà mô hình không thể nhìn thấy được.
ba trường hợp nhỏ
Trường hợp 1 - Không đạt được điểm chuẩn. Một nhà phân tích đã yêu cầu AI xây dựng một SARIMA phức tạp cho doanh số bán lẻ hàng tháng. Trong thử nghiệm ngược, sai số tuyệt đối trung bình của mô hình còn tệ hơn so với dự báo ngây thơ theo mùa cho biết "tháng này bằng cùng tháng năm ngoái". Nhà phân tích đã từ bỏ mô hình phức tạp; Anh ấy lấy suy đoán ngây thơ làm cơ sở và thêm vào sự điều chỉnh của chuyên gia. Sự đơn giản sẽ chiến thắng.
Trường hợp 2 - Phá vỡ cấu trúc. Một tổ chức đã sử dụng mô hình lạm phát mà nó đã đào tạo bằng dữ liệu trước cú sốc tỷ giá hối đoái trong giai đoạn sau cú sốc. Mô hình này đã đánh giá thấp lạm phát một cách nghiêm trọng vì nó giả định động lực của thời kỳ bình lặng trong quá khứ. Bài học: mô hình giả định thế giới mà nó được đào tạo; Khi thế giới thay đổi, lời tiên đoán sẽ sụp đổ. Nếu nhà kinh tế nhìn vào biểu đồ, anh ta sẽ thấy điểm đứt gãy.
Trường hợp 3 - Tính trung thực của phạm vi. Một nhà kinh tế học trình bày dự báo tăng trưởng cuối năm của mình với ban quản lý không phải dưới dạng một con số duy nhất mà dưới dạng "dải 3,0-4,2%, đây là những giả định cơ bản." Cuối năm, tỷ lệ thực hiện là 3,6%; Nó ở trong ban nhạc. Nếu anh ta đưa ra một con số duy nhất, anh ta có thể bị gắn mác "sai"; phạm vi và các giả định đều trung thực và duy trì được sự tin tưởng.
Bảng lựa chọn mô hình
Trạng thái
khởi đầu thích hợp
ghi chú
Mọi phỏng đoán
Điểm chuẩn ngây thơ/ngây thơ theo mùa
Căn cứ để đánh bại
Xu hướng + tính thời vụ, ổn định
ETS (làm mịn theo cấp số nhân)
Dễ dàng cài đặt và nhận xét
Chuỗi tự tương quan
(S)ARIMA
Cần sự ổn định
Có một biến giải thích
Dựa trên hồi quy
Những người dự đoán tương lai cũng phải
Nghi ngờ về sự phá vỡ cấu trúc
Mô hình + chỉnh sửa chuyên gia
Mô hình thuần túy là không đủ
Bốn mẫu có thể sao chép
1) Phân tích và chẩn đoán:
Vẽ biểu đồ chuỗi [chuỗi] hàng tháng đó, sau đó tách nó thành các thành phần xu hướng/thời vụ/phần dư (mô hình thống kê). Kiểm tra xem nó có đứng yên không (kiểm tra ADF) và, nếu cần, giải thích phép biến đổi nào (log, hiệu) mà bạn đề xuất. Đánh dấu nếu có sự phá vỡ cấu trúc rõ ràng trong biểu đồ.
2) Điểm chuẩn + so sánh mô hình:
Đầu tiên hãy thiết lập một dự báo tiêu chuẩn ngây thơ theo mùa cho loạt bài này. Sau đó thiết lập ETS và SARIMA. So sánh cả ba dựa trên MAE và RMSE với backtest (thử nghiệm trong 12 tháng qua). Lập bảng kết quả và nêu rõ mô hình nào đánh bại điểm chuẩn.
3) Ước tính và phạm vi không chắc chắn:
Dự báo 6 kỳ tiếp theo cho mô hình tôi đã chọn và đưa ra khoảng tin cậy 80%/95%. Trình bày ước tính dưới dạng một phạm vi chứ không phải dưới dạng một con số. Hãy nói rõ rằng phạm vi này CHỈ bao gồm độ không đảm bảo của mô hình chứ không bao gồm nguy cơ vỡ cấu trúc/sốc bên ngoài.
4) Đọc lại bài kiểm tra:
Giải thích các kết quả backtest này [bảng]. Liệu mô hình có thực sự vượt qua tiêu chuẩn hay sự khác biệt không có ý nghĩa thống kê? Nêu rõ giai đoạn nào mô hình của bạn mắc nhiều lỗi nhất và đặt câu hỏi về lý do kinh tế có thể gây ra điều này (khủng hoảng, thay đổi theo mùa).
Dấu nhắc yếu / Dấu nhắc mạnh
Dấu nhắc yếu:
Đoán loạt bài này.
Trí tuệ nhân tạo xây dựng mô hình ngẫu nhiên, không backtest, đưa ra số lẻ; Bạn không biết liệu mô hình có hoạt động hay không.
Lời nhắc mạnh mẽ:
Đầu tiên hãy phân tách chuỗi lạm phát hàng tháng hiện tại và tìm kiếm các điểm nghỉ. Backtest ETS và SARIMA trong 12 tháng qua so với tiêu chuẩn ngây thơ theo mùa, so sánh với MAE. Chọn mô hình vượt qua mức chuẩn, đưa ra dự báo cho 6 tháng tới và đặt phạm vi 80%. Viết nguy cơ đổ vỡ cấu trúc như một cảnh báo riêng. Hiển thị mã cho từng bước và số tóm tắt mà tôi có thể xác minh theo cách thủ công.
Những lỗi thường gặp
- Nhảy vào mô hình phức tạp mà không thiết lập điểm chuẩn. Sự phức tạp không đồng nghĩa với thành công.
- Đánh giá mô hình trên dữ liệu được đào tạo. Sai lầm việc tuân thủ quá mức là thành công.
- Đưa ra một ước tính điểm duy nhất. Sự chắc chắn sai lầm; phạm vi và giả định cần thiết.
- Bỏ qua sự phá vỡ cấu trúc. Mù quáng mang quá khứ năng động vào tương lai.
- Bỏ qua sự ổn định. Mối quan hệ giả tạo và dự đoán sai lệch.
- Trình bày dự đoán như một lời tiên tri. Che giấu sự không chắc chắn và trách nhiệm.
Tóm lại
Dự báo chuỗi thời gian được thực hiện bằng cách tách một chuỗi thành các thành phần của nó, làm cho nó đứng yên, thiết lập một điểm chuẩn đơn giản, so sánh các mô hình bằng cách kiểm tra lại và trình bày kết quả một cách trung thực với phạm vi không chắc chắn. Trí tuệ nhân tạo nhanh chóng tạo mã cho tất cả các bước này; Nhưng trách nhiệm lựa chọn mô hình, phán đoán và dự báo về sự phá vỡ cấu trúc thuộc về nhà kinh tế học. Lời tiên đoán không phải là lời tiên tri mà là lời tiên đoán có điều kiện và không chắc chắn.
Nhiệm vụ ứng dụng
Chọn chuỗi kinh tế hàng tháng (ví dụ: chỉ số sản xuất công nghiệp). Phân tách và quét các điểm đột phá bằng mẫu thứ nhất, kiểm tra lại ETS/SARIMA so với điểm chuẩn chưa từng có theo mùa bằng mẫu thứ 2, tạo dự báo trong phạm vi 6 tháng tới với mẫu thứ 3. Lưu ý xem mô hình của bạn có thực sự vượt qua điểm chuẩn hay không và gắn cờ bất kỳ sự phá vỡ cấu trúc nào mà bạn thấy.
danh sách kiểm tra
- [ ] Tôi đã lên kế hoạch cho bộ truyện và chẩn đoán nó theo xu hướng/thời vụ/sự phá vỡ.
- [ ] Tôi đã áp dụng tính năng cố định hóa (log/khác biệt) nếu cần thiết và tôi biết lý do.
- [ ] Tôi thiết lập một điểm chuẩn đơn giản và so sánh mô hình phức tạp với nó.
- [ ] Tôi chỉ đánh giá mô hình trong khoảng thời gian nó không được đào tạo (backtest).
- [ ] Tôi đã trình bày ước tính với một phạm vi không chắc chắn chứ không phải một con số.
- [ ] Tôi đã đề cập đến nguy cơ vỡ cấu trúc/sốc bên ngoài như một cảnh báo riêng.
- [ ] Tôi khẳng định rằng trách nhiệm dự đoán và phán đoán cuối cùng thuộc về tôi.