Gazdasági idősoros elemzés: Megközelítések ökonometriai modellekből és gépi tanulásból

A robbanásszerűen változó adatok és a volatilis piacok drámai változásokra kényszerítik a gazdasági és pénzügyi előrejelzési modelleket. A „Gazdasági idősoros elemzés” című szeminárium bemutatja a hagyományos ökonometria és a gépi tanulási technikák kombinációjának trendjét, amely rugalmasabb és pontosabb előrejelzési irányt nyit.

A big data, a gyorsan változó piacok és az egyre összetettebb gazdasági kapcsolatok kontextusában a gazdasági és pénzügyi előrejelző eszközökkel szembeni igények drámaian megváltoznak.

Ez egyértelműen bebizonyosodott a Pénzügyi Akadémia és a Nemzetközi Matematikai Kutató- és Képzőközpont által szervezett „Gazdasági idősor-elemzés: Megközelítések ökonometriai modellekből és gépi tanulásból” című tudományos szemináriumon, ahol Dr. Cu Thu Thuy és MSc. Hoang Huu Son tartott előadást.

A vita nemcsak átfogó áttekintést nyújtott a hagyományos idősoros modellekről, hanem – ami még fontosabb – egy új előrelépésre is rávilágított: az ökonometriai modellek modern gépi tanulási technikákkal való korszerűsítésére.

A szeminárium bevezető része rendszerezi az idősorok jellemzőit, mint például a trend, a szezonalitás, a ciklusok, a stacionaritás, a zaj, valamint a klasszikus modelleket, mint például az ARIMA, SARIMA, ARDL, ECM, VAR/VECM vagy GARCH...

Hoang Huu Son MSc előadást tartott a gépi tanulási modellek idősoros elemzésben való alkalmazásáról szóló szemináriumon.

Ezek az eszközök évtizedek óta az ökonometriai kutatások alapját képezik, egyértelmű előnyökkel: jó értelmezési erő, szabványosított elméleti keretrendszer, alacsony számítási költség és alkalmasság kisméretű adatokhoz.

Napjainkban a pénzügyi piacok sokszínű struktúrával működnek, amelyben nagy a bizonytalanság, számos sokkhatás és hosszú távú függőség tapasztalható. A változók és adatforrások száma gyorsan bővül, a nagyfrekvenciás adatoktól a strukturálatlan adatokig. Ilyen környezetben a hagyományos feltételezések (stacionaritás, normális eloszlás, linearitás stb.) gyakran már nem megfelelőek, ami némileg korlátozza a hagyományos modellek pontosságát. A gépi tanulás pedig az egyik modern és aktuális megközelítés.

A szeminárium ezért összefoglalja a gépi tanulás alapvető ismereteit, valamint a gépi tanulás, a neurális hálózatok és a mélytanulás szerepét az idősoros elemzésben, mint például az MLP, RNN, LSTM, Bi-LSTM, Stacked LSTM. A klasszikus lineáris modelltől eltérően a gépi tanulás leküzdötte a hagyományos ökonometriai modellek korlátait, valamint lehetővé teszi a nemlineáris kapcsolatok modellezését, a hosszú távú függőségek megjegyzését és az adatsorokban lévő minták automatikus tanulását.

Dr. Cu Thu Thuy előadást tartott az ökonometria és gépi tanulás szemináriumán.

A Bitcoin és a VN-Index árfolyam-előrejelzési kísérleteinek bemutatásán keresztül, különböző modellekkel, bebizonyosodott, hogy az LSTM modell alacsony RMSE, MAE és MAPE hibákat ad még akkor is, ha az adatok erősen zajosak, és az LSTM modelleken keresztül tükrözi az előrejelzett adatok gazdasági jellegét is, ezáltal demonstrálva a gépi tanulás és a mélytanulás egyértelmű előnyeit a gazdasági és pénzügyi előrejelzésekben.

A szeminárium egyik kiemelkedő nézőpontja: az ökonometria és a gépi tanulás nem ellentétei egymásnak, hanem kiegészítik és erősítik egymást. Az ökonometria elméleti keretet, ok-okozati struktúrát és szakpolitikai értelmezési lehetőségeket biztosít. A gépi tanulás nagy számítási teljesítményt, nemlineáris modellezést, big data feldolgozási képességeket és zajmentességet biztosít.

Ez a kombináció a modellek új generációját hozta létre – a VAR-LSTM-től, a hibrid állapottér + mélytanulás modelltől az idősor-transzformációig –, amelyek nemzetközi kutatási trenddé válnak.

Továbbá a szemináriumon elhangzott előadások és megbeszélések megerősítették a gépi tanulás és a mélytanulás infrastruktúrájába és adataiba való befektetés fontosságát is.

Mivel a kutatólétesítmények közvetlenül befolyásolják az architektúrát, a modell számítási hatékonyságát a valós problémák megoldásában, valamint a magas színvonalú nemzetközi publikációk elérését is célul tűzték ki.

A szeminárium megerősítette a kutatási gondolkodás elmozdulását a kizárólag lineáris modellekre való támaszkodástól a mélytanulási modellek kihasználása felé; a kis adathalmazokról a nagy adathalmazokra; és a leíró elemzésről a nagy pontosságú előrejelzésre.

Ez egy fontos irány a Pénzügyi Akadémia matematikai közgazdaságtana, pénzügy és banki tudományok, adatelemzés és adattudomány területei számára.

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