Analiza szeregów czasowych w gospodarce: podejście oparte na modelach ekonometrycznych i uczeniu maszynowym

Eksplozja danych i niestabilne rynki wymuszają znaczące zmiany w modelach prognozowania ekonomicznego i finansowego. Seminarium „Analiza szeregów czasowych w gospodarce” pokazuje trend łączenia tradycyjnej ekonometrii z technikami uczenia maszynowego, otwierając możliwości bardziej elastycznego i dokładnego prognozowania.

W kontekście dużych zbiorów danych, szybko zmieniających się rynków i coraz bardziej złożonych relacji ekonomicznych , wymagania stawiane narzędziom prognozowania ekonomicznego i finansowego ulegają gwałtownym zmianom.

Zostało to wyraźnie zademonstrowane na seminarium naukowym „Analiza szeregów czasowych w gospodarce: podejścia z wykorzystaniem modeli ekonometrycznych i uczenia maszynowego”, zorganizowanym przez Akademię Finansów i Międzynarodowe Centrum Badań i Szkoleń Matematycznych, z prezentacjami dr Cu Thu Thuy i mgr Hoang Huu Son.

Dyskusja nie tylko zapewniła kompleksowy przegląd tradycyjnych modeli szeregów czasowych, ale co ważniejsze, wskazała na nowy krok naprzód: unowocześnianie modeli ekonometrycznych przy pomocy nowoczesnych technik uczenia maszynowego.

W części wprowadzającej seminarium zostaną usystematyzowane charakterystyki szeregów czasowych, takie jak trend, sezonowość, cykle, stacjonarność, szum oraz klasyczne modele, takie jak ARIMA, SARIMA, ARDL, ECM, VAR/VECM czy GARCH...

Mgr Hoang Huu Son wygłosił prezentację na seminarium na temat modeli uczenia maszynowego w analizie szeregów czasowych.

Narzędzia te od dziesięcioleci stanowią podstawę badań ekonometrycznych, a ich wyraźne zalety to: dobra moc interpretacyjna, ujednolicone ramy teoretyczne, niskie koszty obliczeniowe i przydatność w przypadku danych na małą skalę.

Współczesne rynki finansowe funkcjonują w zróżnicowanych strukturach, charakteryzujących się wysoką niepewnością, licznymi szokami i długoterminowymi zależnościami. Liczba zmiennych i źródeł danych gwałtownie rośnie – od danych o wysokiej częstotliwości po dane nieustrukturyzowane. W takim środowisku tradycyjne założenia (stacjonarność, rozkład normalny, liniowość itp.) często przestają być odpowiednie, ograniczając dokładność tradycyjnych modeli. Uczenie maszynowe jest jednym z nowoczesnych i istotnych podejść.

Może ci się spodobać

Ceny złota dzisiaj, 24 czerwca 2026 r.: Nieprzewidywalna sytuacja globalna, cena złota SJC gwałtownie spada.Ceny złota na rynkach międzynarodowych dzisiaj, 24 czerwca 2026 r., gwałtownie spadły w związku z silnym wzrostem wartości dolara amerykańskiego. Na rynku krajowym ceny złota SJC i złotych pierścionków również znacząco spadły.

Dzisiejsze ceny paliw (24 czerwca): Ceny ropy naftowej na świecie nadal spadają.Ceny ropy naftowej na świecie nadal spadały, gdyż inwestorzy uważnie śledzili transporty ropy przez Cieśninę Ormuz w odpowiedzi na pozytywne sygnały płynące z rozmów pokojowych między USA i Iranem.

Ceny ropy naftowej spadają, gdyż tranzyt przez Cieśninę Ormuz stopniowo odzyskuje płynność.Kontrakty terminowe na ropę Brent spadły o 82 centy (1,1%), zamykając się na poziomie 77,08 dolarów za baryłkę, natomiast cena ropy West Texas Intermediate (WTI) spadła o 65 centów (0,9%), do 73,21 dolarów za baryłkę.

Seminarium podsumowuje podstawową wiedzę z zakresu uczenia maszynowego i jego roli, sieci neuronowych oraz głębokiego uczenia w analizie szeregów czasowych, takich jak MLP, RNN, LSTM, Bi-LSTM i Stacked LSTM. W przeciwieństwie do klasycznych modeli liniowych, uczenie maszynowe przezwyciężyło ograniczenia tradycyjnych modeli ekonometrycznych i umożliwia modelowanie relacji nieliniowych, długoterminowej pamięci zależności oraz automatycznego uczenia się wzorców w szeregach danych.

Dr Cu Thu Thuy wygłosił wykład na seminarium poświęconym ekonometrii i uczeniu maszynowemu.

Prezentując eksperymentalne prognozy cen Bitcoina i indeksu VN z wykorzystaniem różnych modeli, wykazano, że modele LSTM generują niskie błędy RMSE, MAE i MAPE, nawet w przypadku danych o dużym zaszumieniu. Co więcej, modele LSTM dokładnie odzwierciedlają ekonomiczny charakter prognozowanych danych, dowodząc tym samym wyraźnych zalet uczenia maszynowego i głębokiego uczenia się w prognozowaniu ekonomicznym i finansowym.

Kluczowym punktem seminarium było to, że ekonometria i uczenie maszynowe nie są sprzeczne, lecz wzajemnie się uzupełniają i wzmacniają. Ekonometria dostarcza ram teoretycznych, struktur przyczynowo-skutkowych oraz możliwości interpretacji polityki. Uczenie maszynowe zapewnia potężne możliwości obliczeniowe, modelowanie nieliniowe, możliwość przetwarzania dużych zbiorów danych i odporność na szumy.

Połączenie to pozwoliło na stworzenie nowej generacji modeli – od VAR-LSTM, hybrydowej przestrzeni stanów + głębokiego uczenia się, po transformację szeregów czasowych – które stają się międzynarodowym trendem badawczym.

Ponadto prezentacje i dyskusje na seminarium potwierdziły również, jak ważne jest inwestowanie w infrastrukturę i dane na potrzeby uczenia maszynowego i głębokiego uczenia.

Ponieważ zaplecze badawcze ma bezpośredni wpływ na architekturę i wydajność obliczeniową modelu w rozwiązywaniu rzeczywistych problemów, a także na dążenie do wysokiej jakości publikacji międzynarodowych.

Może ci się spodobać

Akademia Finansów stopniowo buduje wielokulturowe środowisko edukacyjne.GD&TĐ - Akademia Finansów dąży do podniesienia jakości kształcenia, aby osiągnąć standardy międzynarodowe, stopniowo budując wielokulturowe środowisko nauczania.

RISEP – Od prestiżowego tytułu do siły napędowej rozwoju przemysłu wiejskiego.Poza samym honorowaniem wyjątkowych produktów, Program Wyjątkowych Produktów Przemysłowych Obszarów Wiejskich (RISEP) staje się ważnym narzędziem wspierającym firmy w innowacjach technologicznych, budowaniu marek i ekspansji rynkowej. To z kolei tworzy dodatkowy impuls dla rozwoju przemysłu wiejskiego w kierunku modernizacji i zrównoważonego rozwoju.

Holandia inwestuje w projekt budowy zakładu przetwarzania odpadów w energię w Wietnamie.Oczekuje się, że Konferencja Promocji Inwestycji Prowincji Tay Ninh w Holandii otworzy nowe, praktyczne i zrównoważone możliwości współpracy między prowincją a rynkiem europejskim.

Seminarium potwierdziło zmianę w myśleniu o badaniach naukowych: od polegania wyłącznie na modelach liniowych do wykorzystywania modeli głębokiego uczenia; od małych zbiorów danych do dużych zbiorów danych; oraz od analizy opisowej do bardzo dokładnych prognoz.

Jest to ważny kierunek dla dziedzin ekonomii matematycznej, finansów i bankowości, analizy danych oraz nauki o danych w Akademii Finansów.

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