आर्थिक समय श्रृंखला विश्लेषण: अर्थमितीय मॉडल और मशीन लर्निंग से एक दृष्टिकोण

डेटा की भारी मात्रा और अस्थिर बाज़ार आर्थिक और वित्तीय पूर्वानुमान मॉडलों में महत्वपूर्ण बदलाव ला रहे हैं। "आर्थिक समय श्रृंखला विश्लेषण" नामक सेमिनार में पारंपरिक अर्थमिति को मशीन लर्निंग तकनीकों के साथ संयोजित करने की प्रवृत्ति दिखाई गई है, जिससे अधिक लचीले और सटीक पूर्वानुमान के नए रास्ते खुल रहे हैं।

बिग डेटा, तेजी से बदलते बाजारों और तेजी से जटिल होते आर्थिक संबंधों के संदर्भ में, आर्थिक और वित्तीय पूर्वानुमान उपकरणों की मांग में नाटकीय रूप से बदलाव आ रहा है।

यह बात एकेडमी ऑफ फाइनेंस और इंटरनेशनल सेंटर फॉर मैथमेटिकल रिसर्च एंड ट्रेनिंग द्वारा आयोजित वैज्ञानिक सेमिनार "इकोनॉमिक टाइम सीरीज एनालिसिस: एप्रोचेस फ्रॉम इकोनोमेट्रिक मॉडल्स एंड मशीन लर्निंग" में स्पष्ट रूप से प्रदर्शित हुई, जिसमें डॉ. क्यू थू थूई और एमएससी. होआंग हुउ सोन ने प्रस्तुतियाँ दीं।

इस चर्चा ने न केवल पारंपरिक समय श्रृंखला मॉडलों का व्यापक अवलोकन प्रदान किया, बल्कि इससे भी महत्वपूर्ण बात यह है कि इसने एक नए कदम को आगे बढ़ाया: आधुनिक मशीन लर्निंग तकनीकों के साथ अर्थमितीय मॉडलों को उन्नत करना।

सेमिनार के परिचयात्मक भाग में समय श्रृंखला की विशेषताओं जैसे कि प्रवृत्ति, मौसमीपन, चक्र, स्थिरता, शोर, और क्लासिक मॉडल जैसे कि ARIMA, SARIMA, ARDL, ECM, VAR/VECM, या GARCH आदि को व्यवस्थित रूप से प्रस्तुत किया गया है।

एमएससी. होआंग हुउ सोन ने टाइम सीरीज़ विश्लेषण में मशीन लर्निंग मॉडल पर सेमिनार में प्रस्तुति दी।

ये उपकरण दशकों से अर्थमितीय अनुसंधान की नींव रहे हैं, जिनमें विशिष्ट लाभ हैं: अच्छी व्याख्यात्मक क्षमता, मानकीकृत सैद्धांतिक ढांचा, कम गणना लागत और छोटे पैमाने के डेटा के लिए उपयुक्तता।

आज के वित्तीय बाज़ार एक विविध संरचना के साथ काम करते हैं जिसमें अत्यधिक अनिश्चितता, कई झटके और दीर्घकालिक निर्भरताएँ मौजूद हैं। चरों और डेटा स्रोतों की संख्या तेजी से बढ़ रही है, उच्च-आवृत्ति डेटा से लेकर असंरचित डेटा तक। ऐसे वातावरण में, पारंपरिक मान्यताएँ (स्थिरता, सामान्य वितरण, रैखिकता आदि) अक्सर अनुपयुक्त हो जाती हैं, जिससे पारंपरिक मॉडलों की सटीकता कुछ हद तक सीमित हो जाती है। और मशीन लर्निंग एक आधुनिक और प्रासंगिक दृष्टिकोण है।

इसलिए, यह सेमिनार मशीन लर्निंग के बुनियादी ज्ञान और समय श्रृंखला विश्लेषण में मशीन लर्निंग, न्यूरल नेटवर्क और डीप लर्निंग की भूमिका को संक्षेप में प्रस्तुत करता है, जैसे कि MLP, RNN, LSTM, Bi-LSTM, Stacked LSTM। पारंपरिक रैखिक मॉडल से भिन्न, मशीन लर्निंग ने पारंपरिक अर्थमितीय मॉडलों की सीमाओं को पार कर लिया है और साथ ही गैर-रैखिक संबंधों को मॉडल करने, दीर्घकालिक निर्भरताओं को याद रखने और डेटा श्रृंखला में पैटर्न को स्वचालित रूप से सीखने की अनुमति देता है।

डॉ. कु थू थूई ने अर्थमिति और मशीन लर्निंग पर आयोजित सेमिनार में भाषण दिया।

विभिन्न मॉडलों के साथ बिटकॉइन और वीएन-इंडेक्स मूल्य पूर्वानुमान प्रयोगों की प्रस्तुति के माध्यम से, यह सिद्ध किया गया है कि एलएसटीएम मॉडल कम आरएमएसई, एमएई, एमएपीई त्रुटियां देता है, यहां तक ​​कि जब डेटा अत्यधिक शोरगुल वाला होता है, और एलएसटीएम मॉडल के माध्यम से, यह पूर्वानुमानित डेटा की आर्थिक प्रकृति को भी दर्शाता है, जिससे आर्थिक और वित्तीय पूर्वानुमान में मशीन लर्निंग और डीप लर्निंग के स्पष्ट लाभों का प्रदर्शन होता है।

सेमिनार में एक प्रमुख दृष्टिकोण यह था कि अर्थमिति और मशीन लर्निंग एक दूसरे के विपरीत नहीं हैं, बल्कि एक दूसरे के पूरक और सहायक हैं। अर्थमिति सैद्धांतिक ढांचा, कारण-कार्य संरचना और नीति व्याख्या क्षमता प्रदान करती है। वहीं मशीन लर्निंग शक्तिशाली गणना क्षमता, अरैखिक मॉडलिंग, बड़े डेटा को संसाधित करने की क्षमता और शोर से बचाव प्रदान करती है।

इस संयोजन ने मॉडलों की एक नई पीढ़ी को जन्म दिया है - वीएआर-एलएसटीएम, हाइब्रिड स्टेट स्पेस + डीप लर्निंग से लेकर टाइम सीरीज़ ट्रांसफॉर्मेशन तक - जो एक अंतरराष्ट्रीय अनुसंधान प्रवृत्ति बन रही है।

इसके अलावा, सेमिनार में प्रस्तुतियाँ और चर्चाओं ने मशीन लर्निंग और डीप लर्निंग के लिए बुनियादी ढांचे और डेटा में निवेश के महत्व की भी पुष्टि की।

क्योंकि अनुसंधान सुविधाएं वास्तुकला को सीधे प्रभावित करती हैं, वास्तविक दुनिया की समस्याओं को हल करने में मॉडल की कम्प्यूटेशनल दक्षता को प्रभावित करती हैं, साथ ही उच्च गुणवत्ता वाले अंतरराष्ट्रीय प्रकाशनों का लक्ष्य भी रखती हैं।

सेमिनार ने शोध संबंधी सोच में आए बदलाव की पुष्टि की, जिसमें केवल रैखिक मॉडलों पर निर्भर रहने से हटकर डीप लर्निंग मॉडलों का उपयोग करना, छोटे डेटासेट से बड़े डेटासेट की ओर बढ़ना और वर्णनात्मक विश्लेषण से हटकर अत्यधिक सटीक भविष्यवाणी करना शामिल है।

यह एकेडमी ऑफ फाइनेंस में गणितीय अर्थशास्त्र, वित्त और बैंकिंग, डेटा विश्लेषण और डेटा विज्ञान के क्षेत्रों के लिए एक महत्वपूर्ण दिशा है।

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