Analýza ekonomických časových řad: Přístupy z ekonometrických modelů a strojového učení

V kontextu velkých dat, rychle se měnících trhů a stále složitějších ekonomických vztahů se dramaticky mění požadavky na nástroje pro ekonomické a finanční prognózy.

To bylo jasně demonstrováno na vědeckém semináři „Ekonomická analýza časových řad: Přístupy z ekonometrických modelů a strojového učení“, který uspořádala Akademie financí a Mezinárodní centrum pro matematický výzkum a vzdělávání, s prezentacemi Dr. Cu Thu Thuy a MSc. Hoang Huu Sona.

Diskuse nejen poskytla komplexní přehled tradičních modelů časových řad, ale co je důležitější, zdůraznila nový krok vpřed: modernizaci ekonometrických modelů moderními technikami strojového učení.

Úvodní část semináře systematizuje charakteristiky časových řad, jako je trend, sezónnost, cykly, stacionarita, šum, a klasické modely jako ARIMA, SARIMA, ARDL, ECM, VAR/VECM nebo GARCH...

*MSc. Hoang Huu Son přednášel na semináři o modelech strojového učení v analýze časových řad.*

Tyto nástroje tvoří základ ekonometrického výzkumu po celá desetiletí a mají zřetelné výhody: dobrou interpretační sílu, standardizovaný teoretický rámec, nízké výpočetní náklady a vhodnost pro data v malém měřítku.

Finanční trhy dnes fungují s rozmanitými strukturami charakterizovanými vysokou nejistotou, četnými šoky a dlouhodobými závislostmi. Počet proměnných a zdrojů dat se rychle rozšiřuje, od vysokofrekvenčních dat až po nestrukturovaná data. V takovém prostředí tradiční předpoklady (stacionarita, normální rozdělení, linearita atd.) často již nejsou vhodné, což omezuje přesnost tradičních modelů. Strojové učení je jedním z moderních a relevantních přístupů.

Seminář proto shrnuje základní znalosti o strojovém učení a jeho roli, neuronových sítích a hlubokém učení v analýze časových řad, jako jsou MLP, RNN, LSTM, Bi-LSTM a Stacked LSTM. Na rozdíl od klasických lineárních modelů strojové učení překonalo omezení tradičních ekonometrických modelů a umožňuje modelování nelineárních vztahů, dlouhodobé závislosti paměti a automatického učení vzorů v datových řadách.

*Dr. Cu Thu Thuy vystoupil na semináři o ekonometrii a strojovém učení.*

Prostřednictvím prezentace experimentálních cenových prognóz pro Bitcoin a VN-Index s využitím různých modelů bylo prokázáno, že modely LSTM poskytují nízké chyby RMSE, MAE a MAPE i u silně zašumených dat. Modely LSTM navíc přesně odrážejí ekonomickou povahu predikovaných dat, čímž dokazují jasné výhody strojového učení a hlubokého učení v ekonomickém a finančním prognózování.

Klíčovým bodem semináře bylo, že ekonometrie a strojové učení si neodporují, ale spíše se vzájemně doplňují a posilují. Ekonometrie poskytuje teoretický rámec, struktury příčin a následků a možnosti interpretace politik. Strojové učení poskytuje výkonné výpočetní schopnosti, nelineární modelování, schopnost zpracovávat velké datové sady a imunitu vůči šumu.

Tato kombinace vytvořila novou generaci modelů – od VAR-LSTM, hybridního stavového prostoru + hlubokého učení až po transformaci časových řad – které se stávají mezinárodním výzkumným trendem.

Prezentace a diskuse na semináři dále potvrdily důležitost investic do infrastruktury a dat pro strojové učení a hluboké učení.

Protože výzkumná zařízení přímo ovlivňují architekturu, výpočetní efektivitu modelu při řešení reálných problémů a také cíle na vysoce kvalitní mezinárodní publikace.

Seminář potvrdil posun ve výzkumném myšlení od spoléhání se výhradně na lineární modely k využívání modelů hlubokého učení; od malých datových sad k velkým datovým sadám; a od deskriptivní analýzy k vysoce přesné predikci.

Toto je důležitý směr pro obory Matematická ekonomie, Finance a bankovnictví, Analýza dat a Datová věda na Akademii financí.

Zdroj: https://daibieunhandan.vn/phan-tich-chuoi-thoi-gian-kinh-te-tiep-can-tu-mo-hinh-kinh-te-luong-va-hoc-may-10399890.html