Analisis Deret Waktu Ekonomi: Pendekatan dari Model Ekonometrika dan Pembelajaran Mesin

Data yang eksplosif dan pasar yang volatil memaksa model peramalan ekonomi dan keuangan untuk berubah secara drastis. Seminar "Analisis Deret Waktu Ekonomi" menunjukkan tren penggabungan ekonometrika tradisional dengan teknik pembelajaran mesin, yang membuka arah peramalan yang lebih fleksibel dan akurat.

Dalam konteks big data, pasar yang berubah dengan cepat, dan hubungan ekonomi yang semakin kompleks, tuntutan terhadap alat peramalan ekonomi dan keuangan berubah secara dramatis.

Hal ini secara jelas ditunjukkan dalam seminar ilmiah "Analisis Deret Waktu Ekonomi: Pendekatan dari Model Ekonometrik dan Pembelajaran Mesin," yang diselenggarakan oleh Akademi Keuangan dan Pusat Internasional untuk Penelitian dan Pelatihan Matematika, dengan presentasi oleh Dr. Cu Thu Thuy dan MSc. Hoang Huu Son.

Diskusi tersebut tidak hanya memberikan gambaran komprehensif tentang model deret waktu tradisional, tetapi yang lebih penting, menyoroti langkah maju yang baru: peningkatan model ekonometrik dengan teknik pembelajaran mesin modern.

Bagian pengantar seminar ini mensistematiskan karakteristik deret waktu seperti tren, musiman, siklus, stasioneritas, noise, dan model klasik seperti ARIMA, SARIMA, ARDL, ECM, VAR/VECM, atau GARCH...

MSc. Hoang Huu Son mempresentasikan makalahnya pada Seminar tentang model pembelajaran mesin dalam analisis deret waktu.

Alat-alat ini telah menjadi dasar penelitian ekonometrika selama beberapa dekade, dengan keunggulan yang berbeda: daya interpretasi yang baik, kerangka teoretis yang terstandarisasi, biaya komputasi yang rendah, dan kesesuaian untuk data skala kecil.

Saat ini, pasar keuangan beroperasi dengan struktur yang beragam yang dicirikan oleh ketidakpastian yang tinggi, banyak guncangan, dan ketergantungan jangka panjang. Jumlah variabel dan sumber data berkembang pesat, dari data frekuensi tinggi hingga data tidak terstruktur. Dalam lingkungan seperti itu, asumsi tradisional (stasioneritas, distribusi normal, linearitas, dll.) seringkali tidak lagi sesuai, sehingga membatasi akurasi model tradisional. Pembelajaran mesin adalah salah satu pendekatan modern dan relevan.

Oleh karena itu, seminar ini merangkum pengetahuan dasar tentang pembelajaran mesin dan perannya, jaringan saraf, dan pembelajaran mendalam dalam analisis deret waktu seperti MLP, RNN, LSTM, Bi-LSTM, dan Stacked LSTM. Tidak seperti model linier klasik, pembelajaran mesin telah mengatasi keterbatasan model ekonometrik tradisional dan memungkinkan pemodelan hubungan non-linier, memori ketergantungan jangka panjang, dan pembelajaran pola otomatis dalam deret data.

Dr. Cu Thu Thuy berbicara di Seminar tentang Ekonometrika dan Pembelajaran Mesin.

Melalui penyajian perkiraan harga eksperimental untuk Bitcoin dan VN-Index menggunakan model yang berbeda, telah ditunjukkan bahwa model LSTM menghasilkan kesalahan RMSE, MAE, dan MAPE yang rendah bahkan dengan data yang sangat bising. Lebih lanjut, model LSTM secara akurat mencerminkan sifat ekonomi dari data yang diprediksi, sehingga membuktikan keunggulan nyata pembelajaran mesin dan pembelajaran mendalam dalam peramalan ekonomi dan keuangan.

Salah satu poin penting yang disorot dalam seminar tersebut adalah bahwa ekonometrika dan pembelajaran mesin tidak bertentangan, melainkan saling melengkapi dan meningkatkan satu sama lain. Ekonometrika menyediakan kerangka kerja teoretis, struktur sebab-akibat, dan kemampuan interpretasi kebijakan. Pembelajaran mesin menyediakan kemampuan komputasi yang kuat, pemodelan nonlinier, kemampuan untuk menangani kumpulan data besar, dan kekebalan terhadap gangguan.

Kombinasi ini telah menciptakan generasi model baru – mulai dari VAR-LSTM, State Space + Deep Learning hibrida, hingga transformasi deret waktu – yang menjadi tren penelitian internasional.

Selain itu, presentasi dan diskusi di seminar tersebut juga menegaskan pentingnya berinvestasi dalam infrastruktur dan data untuk pembelajaran mesin dan pembelajaran mendalam.

Karena fasilitas penelitian secara langsung memengaruhi arsitektur, efisiensi komputasi model dalam memecahkan masalah dunia nyata, serta bertujuan untuk menghasilkan publikasi internasional berkualitas tinggi.

Seminar tersebut menegaskan pergeseran pola pikir penelitian dari yang hanya mengandalkan model linier menjadi memanfaatkan model pembelajaran mendalam; dari kumpulan data kecil ke kumpulan data besar; dan dari analisis deskriptif ke prediksi yang sangat akurat.

Ini merupakan arah penting bagi bidang Ekonomi Matematika, Keuangan dan Perbankan, Analisis Data, dan Ilmu Data di Akademi Keuangan.

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