Analiza szeregów czasowych w gospodarce: podejścia z wykorzystaniem modeli ekonometrycznych i uczenia maszynowego

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 charakteryzują się zróżnicowaną strukturą, charakteryzującą się dużą niepewnością, licznymi wstrząsami 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 aktualne, co ogranicza dokładność tradycyjnych modeli. Uczenie maszynowe jest jednym z nowoczesnych i aktualnych podejść.

Seminarium podsumowuje podstawową wiedzę z zakresu uczenia maszynowego oraz roli uczenia maszynowego, sieci neuronowych i głębokiego uczenia w analizie szeregów czasowych, takich jak MLP, RNN, LSTM, Bi-LSTM, Stacked LSTM. W odróżnieniu od klasycznego modelu liniowego, uczenie maszynowe przezwycięża ograniczenia tradycyjnych modeli ekonometrycznych, a także umożliwia modelowanie relacji nieliniowych, zapamiętywanie długoterminowych zależności i automatyczne uczenie się wzorców w seriach danych.

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

Przedstawiając eksperymenty prognozowania cen Bitcoina i indeksu VN przy użyciu różnych modeli, udowodniono, że model LSTM daje niskie błędy RMSE, MAE, MAPE nawet wtedy, gdy dane są bardzo zaszumione, a za pośrednictwem modeli LSTM odzwierciedla również ekonomiczny charakter przewidywanych danych, demonstrując tym samym wyraźne zalety uczenia maszynowego i głębokiego uczenia się w prognozowaniu ekonomicznym i finansowym.

Ważnym punktem widzenia na Seminarium jest to, że ekonometria i uczenie maszynowe nie są przeciwieństwami, lecz wzajemnie się uzupełniają i wzmacniają. Ekonometria zapewnia ramy teoretyczne, strukturę przyczynowo-skutkową i możliwości interpretacji polityki. Uczenie maszynowe zapewnia potężną moc obliczeniową, modelowanie nieliniowe, możliwości 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.

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