Analiza seriilor temporale economice: Abordări din modele econometrice și învățare automată

În contextul volumelor mari de date, al piețelor în rapidă schimbare și al relațiilor economice din ce în ce mai complexe, cerințele privind instrumentele de prognoză economică și financiară se schimbă dramatic.

Acest lucru a fost demonstrat clar în cadrul seminarului științific „Analiza seriilor economice temporale: abordări din modele econometrice și învățare automată”, organizat de Academia de Finanțe și Centrul Internațional pentru Cercetare și Formare Matematică, cu prezentări susținute de Dr. Cu Thu Thuy și MSc. Hoang Huu Son.

Discuția nu numai că a oferit o imagine de ansamblu cuprinzătoare a modelelor tradiționale de serii temporale, dar, mai important, a evidențiat un nou pas înainte: modernizarea modelelor econometrice cu tehnici moderne de învățare automată.

Partea introductivă a seminarului sistematizează caracteristicile seriilor temporale, cum ar fi tendința, sezonalitatea, ciclurile, staționarea, zgomotul și modele clasice precum ARIMA, SARIMA, ARDL, ECM, VAR/VECM sau GARCH...

*Masterul Hoang Huu Son a prezentat la Seminarul despre modelele de învățare automată în analiza seriilor temporale.*

Aceste instrumente au stat la baza cercetării econometrice timp de decenii, având avantaje distincte: putere interpretativă bună, cadru teoretic standardizat, cost computațional redus și adecvare pentru date la scară mică.

Astăzi, piețele financiare operează cu structuri diverse, caracterizate de incertitudine ridicată, numeroase șocuri și dependențe pe termen lung. Numărul de variabile și surse de date se extinde rapid, de la date de înaltă frecvență la date nestructurate. Într-un astfel de mediu, ipotezele tradiționale (staționarea, distribuția normală, liniaritatea etc.) adesea nu mai sunt potrivite, limitând acuratețea modelelor tradiționale. Învățarea automată este una dintre abordările moderne și relevante.

Prin urmare, seminarul rezumă cunoștințele de bază despre învățarea automată și rolul acesteia, rețelele neuronale și învățarea profundă în analiza seriilor temporale, cum ar fi MLP, RNN, LSTM, Bi-LSTM și Stacked LSTM. Spre deosebire de modelele liniare clasice, învățarea automată a depășit limitele modelelor econometrice tradiționale și permite modelarea relațiilor neliniare, memoria de dependențe pe termen lung și învățarea automată a modelelor în seriile de date.

*Dr. Cu Thu Thuy a vorbit la Seminarul de Econometrie și Învățare Automată.*

Prin prezentarea unor previziuni experimentale ale prețurilor pentru Bitcoin și VN-Index utilizând diferite modele, s-a demonstrat că modelele LSTM produc erori RMSE, MAE și MAPE scăzute chiar și cu date cu zgomot ridicat. În plus, modelele LSTM reflectă cu acuratețe natura economică a datelor prezise, dovedind astfel avantajele clare ale învățării automate și ale învățării profunde în prognoza economică și financiară.

Un punct cheie evidențiat în cadrul seminarului a fost faptul că econometria și învățarea automată nu sunt opuse, ci mai degrabă se completează și se îmbunătățesc reciproc. Econometria oferă un cadru teoretic, structuri cauză-efect și capacități de interpretare a politicilor. Învățarea automată oferă capacități puternice de calcul, modelare neliniară, capacitatea de a gestiona seturi mari de date și imunitate la zgomot.

Această combinație a creat o nouă generație de modele – de la VAR-LSTM, spațiul de stări hibrid + învățare profundă, până la transformarea seriilor temporale – care devin o tendință internațională de cercetare.

În plus, prezentările și discuțiile din cadrul seminarului au confirmat, de asemenea, importanța investițiilor în infrastructură și date pentru învățarea automată și învățarea profundă.

Deoarece facilitățile de cercetare au un impact direct asupra arhitecturii, asupra eficienței computaționale a modelului în rezolvarea problemelor din lumea reală, precum și asupra urmăririi unor publicații internaționale de înaltă calitate.

Seminarul a confirmat schimbarea gândirii în cercetare de la bazarea exclusivă pe modele liniare la utilizarea modelelor de învățare profundă; de la seturi de date mici la seturi de date mari; și de la analiza descriptivă la predicții extrem de precise.

Aceasta este o direcție importantă pentru domeniile Economie Matematică, Finanțe și Bănci, Analiza Datelor și Știința Datelor din cadrul Academiei de Finanțe.

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