ניתוח סדרות זמן כלכליות: גישות ממודלים אקונומטריים ולמידת מכונה

נתונים נפיצים ושווקים תנודתיים מאלצים מודלים של חיזוי כלכלי ופיננסי להשתנות באופן דרמטי. הסמינר "ניתוח סדרות זמן כלכלי" מציג את המגמה של שילוב אקונומטריקה מסורתית עם טכניקות למידת מכונה, ופותח כיוון חיזוי גמיש ומדויק יותר.

בהקשר של ביג דאטה, שווקים המשתנים במהירות ויחסים כלכליים מורכבים יותר ויותר, הדרישות לכלי חיזוי כלכליים ופיננסיים משתנות באופן דרמטי.

הדבר הודגם בבירור בסמינר המדעי "ניתוח סדרות זמן כלכלי: גישות ממודלים אקונומטריים ולמידת מכונה", שאורגן על ידי האקדמיה למימון והמרכז הבינלאומי למחקר והכשרה מתמטית, עם מצגות של ד"ר קו טו טו ותואר שני הואנג הוא סון.

הדיון לא רק סיפק סקירה מקיפה של מודלים מסורתיים של סדרות זמן, אלא, חשוב מכך, הדגיש צעד חדש קדימה: שדרוג מודלים אקונומטריים באמצעות טכניקות למידת מכונה מודרניות.

החלק המבוא של הסמינר יסקור את המאפיינים של סדרות זמן כגון מגמה, עונתיות, מחזורים, סטציונריות, רעש, ומודלים קלאסיים כגון ARIMA, SARIMA, ARDL, ECM, VAR/VECM, או GARCH...

בעל תואר שני בהואנג הואו ​​סון הציג בסמינר בנושא מודלים של למידת מכונה בניתוח סדרות זמן.

כלים אלה היוו את הבסיס למחקר אקונומטרי במשך עשרות שנים, עם יתרונות ברורים: כושר פרשנות טוב, מסגרת תיאורטית סטנדרטית, עלות חישובית נמוכה והתאמה לנתונים בקנה מידה קטן.

כיום, שווקים פיננסיים פועלים במבנה מגוון שבו קיימת אי ודאות גבוהה, זעזועים רבים ותלות ארוכות טווח. מספר המשתנים ומקורות הנתונים גדל במהירות, מנתונים בתדירות גבוהה ועד נתונים לא מובנים. בסביבה כזו, הנחות מסורתיות (סטציונריות, התפלגות נורמלית, ליניאריות וכו') לרוב אינן מתאימות עוד, מה שהופך את דיוק המודלים המסורתיים למוגבל במידה מסוימת. ולמידת מכונה היא אחת הגישות המודרניות והאקטואליות.

לכן, הסמינר מסכם את הידע הבסיסי בלמידת מכונה ואת תפקידה של למידת מכונה, רשתות נוירונים ולמידה עמוקה בניתוח סדרות זמן כגון MLP, RNN, LSTM, Bi-LSTM, ו-Stacked LSTM. בשונה מהמודל הליניארי הקלאסי, למידת מכונה התגברה על המגבלות של מודלים אקונומטריים מסורתיים וכן מאפשרת מידול קשרים לא ליניאריים, זכירת תלות ארוכת טווח ולמידה אוטומטית של דפוסים בסדרות נתונים.

ד"ר קו תו תוי דיבר בסמינר על אקונומטריקה ולמידת מכונה.

באמצעות הצגת ניסויי חיזוי מחירים של ביטקוין ומדד VN עם מודלים שונים, הוכח כי מודל LSTM נותן שגיאות RMSE, MAE ו-MAPE נמוכות גם כאשר הנתונים רועשים מאוד, ובאמצעות מודלי LSTM, הוא משקף גם את האופי הכלכלי של הנתונים החזויים, ובכך מדגים את היתרונות הברורים של למידת מכונה ולמידה עמוקה בחיזוי כלכלי ופיננסי.

נקודת מבט בולטת בסמינר היא: אקונומטריקה ולמידת מכונה אינן מנוגדות, אלא משלימות ומשפרות זו את זו. אקונומטריקה מספקת מסגרת תיאורטית, מבנה סיבתי ויכולות פרשנות מדיניות. למידת מכונה מספקת כוח מחשוב רב עוצמה, מידול לא ליניארי, יכולות עיבוד ביג דאטה ועמידות בפני רעשים.

שילוב זה יצר דור חדש של מודלים – החל מ-VAR-LSTM, מרחב מצבים היברידי + למידה עמוקה, ועד לטרנספורמציית סדרות זמן – ההופכים למגמת מחקר בינלאומית.

יתר על כן, המצגות והדיונים בסמינר אישרו גם את החשיבות של השקעה בתשתיות ובנתונים עבור למידת מכונה ולמידה עמוקה.

מכיוון שמתקני המחקר משפיעים ישירות על הארכיטקטורה, על היעילות החישובית של המודל בפתרון בעיות מהעולם האמיתי, וכן על השאיפה לפרסומים בינלאומיים באיכות גבוהה.

הסמינר אישר את השינוי בחשיבה המחקרית מהסתמכות מוחלטת על מודלים ליניאריים למינוף מודלים של למידה עמוקה; ממערכי נתונים קטנים למערכי נתונים גדולים; ומניתוח תיאורי לחיזוי מדויק ביותר.

זהו כיוון חשוב לתחומי הכלכלה המתמטית, המימון והבנקאות, ניתוח נתונים ומדעי הנתונים באקדמיה למימון.

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