Økonomisk tidsserieanalyse: Tilnærminger fra økonometriske modeller og maskinlæring

I sammenheng med stordata, raskt skiftende markeder og stadig mer komplekse økonomiske forhold, endrer kravene til økonomiske og finansielle prognoseverktøy seg dramatisk.

Dette ble tydelig demonstrert i det vitenskapelige seminaret «Economic Time Series Analysis: Approaches from Econometric Models and Machine Learning», organisert av Academy of Finance og International Center for Mathematical Research and Training, med presentasjoner av Dr. Cu Thu Thuy og MSc. Hoang Huu Son.

Diskusjonen ga ikke bare en omfattende oversikt over tradisjonelle tidsseriemodeller, men enda viktigere, fremhevet også et nytt skritt fremover: oppgradering av økonometriske modeller med moderne maskinlæringsteknikker.

Den innledende delen av seminaret systematiserer egenskapene til tidsserier som trend, sesongvariasjon, sykluser, stasjonaritet, støy og klassiske modeller som ARIMA, SARIMA, ARDL, ECM, VAR/VECM eller GARCH...

*Mastergrad i Hoang Huu Son presenterte på seminaret om maskinlæringsmodeller i tidsserieanalyse.*

Disse verktøyene har dannet grunnlaget for økonometrisk forskning i flere tiår, med klare fordeler: god tolkningsevne, standardisert teoretisk rammeverk, lave beregningskostnader og egnethet for småskala data.

Finansmarkedene opererer i dag med en mangfoldig struktur med høy usikkerhet, mange sjokk og langsiktige avhengigheter. Antall variabler og datakilder utvides raskt, fra høyfrekvente data til ustrukturerte data. I et slikt miljø er tradisjonelle antagelser (stasjonaritet, normalfordeling, linearitet osv.) ofte ikke lenger passende, noe som gjør nøyaktigheten til tradisjonelle modeller noe begrenset. Og maskinlæring er en av de moderne og aktuelle tilnærmingene.

Seminaret oppsummerer derfor den grunnleggende kunnskapen om maskinlæring og rollen til maskinlæring, nevrale nettverk og dyp læring i tidsserieanalyse som MLP, RNN, LSTM, Bi-LSTM og Stacked LSTM. I motsetning til den klassiske lineære modellen har maskinlæring overvunnet begrensningene til tradisjonelle økonometriske modeller, samt tillater modellering av ikke-lineære sammenhenger, husker langsiktige avhengigheter og automatisk lærer mønstre i dataserier.

*Dr. Cu Thu Thuy talte på seminaret om økonometri og maskinlæring.*

Gjennom presentasjon av Bitcoin- og VN-indeksprisprognoseeksperimenter med forskjellige modeller, har det blitt bevist at LSTM-modellen gir lave RMSE-, MAE- og MAPE-feil, selv når dataene er svært støyende, og gjennom LSTM-modellene gjenspeiler den også den økonomiske naturen til de predikerte dataene, og demonstrerer dermed de klare fordelene med maskinlæring og dyp læring i økonomisk og finansiell prognoseutvikling.

Et fremtredende synspunkt på seminaret er: økonometri og maskinlæring er ikke motsetninger, men komplementerer og forsterker hverandre. Økonometri gir et teoretisk rammeverk, kausal struktur og muligheter for tolkning av policyer. Maskinlæring gir kraftig datakraft, ikke-lineær modellering, muligheter for stordatabehandling og støyimmunitet.

Denne kombinasjonen har skapt en ny generasjon modeller – fra VAR-LSTM, hybrid tilstandsrom + dyp læring, til tidsserietransformasjon – som er i ferd med å bli en internasjonal forskningstrend.

Videre bekreftet presentasjonene og diskusjonene på seminaret også viktigheten av å investere i infrastruktur og data for maskinlæring og dyp læring.

Fordi forskningsfasilitetene direkte påvirker arkitekturen, modellens beregningseffektivitet i løsning av virkelige problemer, samt målet om internasjonale publikasjoner av høy kvalitet.

Seminaret bekreftet skiftet i forskningstenkning fra å utelukkende stole på lineære modeller til å utnytte modeller for dyp læring; fra små datasett til store datasett; og fra beskrivende analyse til svært nøyaktig prediksjon.

Dette er en viktig retning for feltene matematisk økonomi, finans og bankvirksomhet, dataanalyse og datavitenskap ved Finansakademiet.

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