تحلیل سری‌های زمانی اقتصادی: رویکردهایی از مدل‌های اقتصادسنجی و یادگیری ماشین

داده‌های انفجاری و بازارهای بی‌ثبات، مدل‌های پیش‌بینی اقتصادی و مالی را مجبور به تغییر چشمگیری می‌کنند. سمینار «تحلیل سری‌های زمانی اقتصادی» روند ترکیب اقتصادسنجی سنتی با تکنیک‌های یادگیری ماشین را نشان می‌دهد و مسیری انعطاف‌پذیرتر و دقیق‌تر را برای پیش‌بینی می‌گشاید.

در بستر کلان‌داده، بازارهای به‌سرعت در حال تغییر و روابط اقتصادی به‌طور فزاینده پیچیده، تقاضا برای ابزارهای پیش‌بینی اقتصادی و مالی به‌طور چشمگیری در حال تغییر است.

این موضوع به وضوح در سمینار علمی «تحلیل سری‌های زمانی اقتصادی: رویکردهایی از مدل‌های اقتصادسنجی و یادگیری ماشین» که توسط آکادمی مالی و مرکز بین‌المللی تحقیقات و آموزش ریاضی با ارائه دکتر کو تو توی و کارشناسی ارشد هوانگ هو سان برگزار شد، نشان داده شد.

این بحث نه تنها مروری جامع بر مدل‌های سنتی سری زمانی ارائه داد، بلکه مهم‌تر از آن، گامی جدید به جلو را برجسته کرد: ارتقای مدل‌های اقتصادسنجی با تکنیک‌های مدرن یادگیری ماشین.

بخش مقدماتی سمینار، ویژگی‌های سری‌های زمانی مانند روند، فصلی بودن، چرخه‌ها، ایستایی، نویز و مدل‌های کلاسیک مانند ARIMA، SARIMA، ARDL، ECM، VAR/VECM یا GARCH را به صورت سیستماتیک بررسی می‌کند...

کارشناسی ارشد، هوانگ هو سان، در سمینار مدل‌های یادگیری ماشین در تحلیل سری‌های زمانی ارائه داد.

این ابزارها برای دهه‌ها پایه و اساس تحقیقات اقتصادسنجی را تشکیل داده‌اند و مزایای متمایزی دارند: قدرت تفسیر خوب، چارچوب نظری استاندارد، هزینه محاسباتی پایین و مناسب بودن برای داده‌های کوچک.

امروزه، بازارهای مالی با ساختارهای متنوعی فعالیت می‌کنند که با عدم قطعیت بالا، شوک‌های متعدد و وابستگی‌های بلندمدت مشخص می‌شوند. تعداد متغیرها و منابع داده به سرعت در حال گسترش است، از داده‌های با فرکانس بالا گرفته تا داده‌های بدون ساختار. در چنین محیطی، فرضیات سنتی (پایایی، توزیع نرمال، خطی بودن و غیره) اغلب دیگر مناسب نیستند و دقت مدل‌های سنتی را محدود می‌کنند. یادگیری ماشین یکی از رویکردهای مدرن و مرتبط است.

بنابراین، این سمینار به طور خلاصه دانش پایه در مورد یادگیری ماشین و نقش آن، شبکه‌های عصبی و یادگیری عمیق در تحلیل سری‌های زمانی مانند MLP، RNN، LSTM، Bi-LSTM و Stacked LSTM را ارائه می‌دهد. برخلاف مدل‌های خطی کلاسیک، یادگیری ماشین بر محدودیت‌های مدل‌های اقتصادسنجی سنتی غلبه کرده و امکان مدل‌سازی روابط غیرخطی، حافظه وابستگی بلندمدت و یادگیری خودکار الگو در سری‌های داده را فراهم می‌کند.

دکتر کو تو توی در سمینار اقتصادسنجی و یادگیری ماشین سخنرانی کرد.

از طریق ارائه پیش‌بینی‌های تجربی قیمت بیت‌کوین و شاخص VN با استفاده از مدل‌های مختلف، نشان داده شده است که مدل‌های LSTM حتی با داده‌های بسیار نویزی، خطاهای RMSE، MAE و MAPE پایینی دارند. علاوه بر این، مدل‌های LSTM به طور دقیق ماهیت اقتصادی داده‌های پیش‌بینی شده را منعکس می‌کنند و در نتیجه مزایای آشکار یادگیری ماشین و یادگیری عمیق را در پیش‌بینی اقتصادی و مالی اثبات می‌کنند.

نکته کلیدی که در سمینار برجسته شد این بود که اقتصادسنجی و یادگیری ماشینی مخالف یکدیگر نیستند، بلکه مکمل و تقویت‌کننده یکدیگرند. اقتصادسنجی یک چارچوب نظری، ساختارهای علت و معلولی و قابلیت‌های تفسیر سیاست را فراهم می‌کند. یادگیری ماشینی قابلیت‌های محاسباتی قدرتمند، مدل‌سازی غیرخطی، توانایی مدیریت مجموعه داده‌های بزرگ و مصونیت در برابر نویز را فراهم می‌کند.

این ترکیب، نسل جدیدی از مدل‌ها - از VAR-LSTM، فضای حالت ترکیبی + یادگیری عمیق، گرفته تا تبدیل سری‌های زمانی - را ایجاد کرده است که در حال تبدیل شدن به یک روند تحقیقاتی بین‌المللی هستند.

علاوه بر این، ارائه‌ها و بحث‌های این سمینار همچنین اهمیت سرمایه‌گذاری در زیرساخت‌ها و داده‌ها برای یادگیری ماشینی و یادگیری عمیق را تأیید کرد.

زیرا امکانات تحقیقاتی مستقیماً بر معماری، کارایی محاسباتی مدل در حل مسائل دنیای واقعی و همچنین هدف قرار دادن انتشارات بین‌المللی با کیفیت بالا تأثیر می‌گذارند.

این سمینار، تغییر در تفکر پژوهشی از تکیه صرف بر مدل‌های خطی به استفاده از مدل‌های یادگیری عمیق؛ از مجموعه داده‌های کوچک به مجموعه داده‌های بزرگ؛ و از تحلیل توصیفی به پیش‌بینی بسیار دقیق را تأیید کرد.

این یک جهت‌گیری مهم برای رشته‌های اقتصاد ریاضی، امور مالی و بانکداری، تحلیل داده‌ها و علوم داده در آکادمی مالی است.

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