Ekonomisk tidsserieanalys: En metod från ekonometriska modeller och maskininlärning

I samband med stordata, snabbt föränderliga marknader och alltmer komplexa ekonomiska relationer förändras kraven på ekonomiska och finansiella prognosverktyg dramatiskt.

Detta demonstrerades tydligt i det vetenskapliga seminariet "Economic Time Series Analysis: Approaches from Econometric Models and Machine Learning", organiserat av Academy of Finance och International Center for Mathematical Research and Training, med presentationer av Dr. Cu Thu Thuy och MSc. Hoang Huu Son.

Diskussionen gav inte bara en omfattande översikt över traditionella tidsseriemodeller utan, ännu viktigare, belyste också ett nytt steg framåt: att uppgradera ekonometriska modeller med moderna maskininlärningstekniker.

Den inledande delen av seminariet systematiserar tidsseriernas egenskaper såsom trend, säsongsvariation, cykler, stationaritet, brus och klassiska modeller som ARIMA, SARIMA, ARDL, ECM, VAR/VECM eller GARCH...

*Magisterexamen Hoang Huu Son presenterade vid seminariet om maskininlärningsmodeller inom tidsserieanalys.*

Dessa verktyg har legat till grund för ekonometrisk forskning i årtionden, med tydliga fördelar: god tolkningsförmåga, standardiserat teoretiskt ramverk, låg beräkningskostnad och lämplighet för småskaliga data.

Idag fungerar finansmarknaderna med en mångsidig struktur där det råder hög osäkerhet, många chocker och långsiktiga beroenden. Antalet variabler och datakällor expanderar snabbt, från högfrekventa data till ostrukturerad data. I en sådan miljö är traditionella antaganden (stationaritet, normalfördelning, linjäritet etc.) ofta inte längre lämpliga, vilket gör noggrannheten hos traditionella modeller något begränsad. Och maskininlärning är en av de moderna och aktuella metoderna.

Seminariet sammanfattar därför grundläggande kunskaper om maskininlärning och rollen av maskininlärning, neurala nätverk och djupinlärning i tidsserieanalys som MLP, RNN, LSTM, Bi-LSTM och Stacked LSTM. Till skillnad från den klassiska linjära modellen har maskininlärning övervunnit begränsningarna hos traditionella ekonometriska modeller samt möjliggör modellering av ickelinjära relationer, minns långsiktiga beroenden och automatiskt lär sig mönster i dataserier.

*Dr. Cu Thu Thuy talade vid seminariet om ekonometri och maskininlärning.*

Genom presentation av Bitcoin- och VN-Index-prisprognosexperiment med olika modeller har det bevisats att LSTM-modellen ger låga RMSE-, MAE- och MAPE-fel även när data är mycket brusig, och genom LSTM-modellerna återspeglar den också den ekonomiska naturen hos den förutspådda datan, vilket därigenom demonstrerar de tydliga fördelarna med maskininlärning och djupinlärning inom ekonomisk och finansiell prognostisering.

En framträdande synvinkel vid seminariet är: ekonometri och maskininlärning är inte motsatser, utan kompletterar och förstärker varandra. Ekonometri tillhandahåller teoretiskt ramverk, kausal struktur och förmåga att tolka policyer. Maskininlärning ger kraftfull datorkraft, ickelinjär modellering, förmåga att bearbeta stordata och brusimmunitet.

Denna kombination har skapat en ny generation modeller – från VAR-LSTM, hybrid State Space + Deep Learning, till tidsserietransformation – som håller på att bli en internationell forskningstrend.

Dessutom bekräftade presentationerna och diskussionerna vid seminariet vikten av att investera i infrastruktur och data för maskininlärning och djupinlärning.

Eftersom forskningsanläggningarna direkt påverkar arkitekturen, modellens beräkningseffektivitet vid lösning av verkliga problem, samt strävar efter högkvalitativa internationella publikationer.

Seminariet bekräftade skiftet i forskningstänkande från att enbart förlita sig på linjära modeller till att utnyttja djupinlärningsmodeller; från små datamängder till stora datamängder; och från deskriptiv analys till mycket noggranna förutsägelser.

Detta är en viktig inriktning för områdena matematisk ekonomi, finans och bankväsende, dataanalys och datavetenskap vid Finansakademin.

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