Ekonomik Zaman Serisi Analizi: Ekonometrik Modeller ve Makine Öğrenmesinden Bir Yaklaşım

Veri patlaması ve değişken piyasalar, ekonomik ve finansal tahmin modellerinde önemli değişikliklere yol açıyor. "Ekonomik Zaman Serisi Analizi" semineri, geleneksel ekonometriyi makine öğrenme teknikleriyle birleştirme eğilimini göstererek, daha esnek ve doğru tahminler için yeni yollar açıyor.

Büyük veri, hızla değişen piyasalar ve giderek karmaşıklaşan ekonomik ilişkiler bağlamında, ekonomik ve finansal tahmin araçlarına yönelik talepler de önemli ölçüde değişmektedir.

Bu durum, Finans Akademisi ve Uluslararası Matematiksel Araştırma ve Eğitim Merkezi tarafından düzenlenen ve Dr. Cu Thu Thuy ile Yüksek Lisans öğrencisi Hoang Huu Son'un sunumlarıyla gerçekleştirilen "Ekonomik Zaman Serisi Analizi: Ekonometrik Modeller ve Makine Öğrenmesinden Yaklaşımlar" başlıklı bilimsel seminerde açıkça gösterilmiştir.

Bu tartışma, geleneksel zaman serisi modellerine kapsamlı bir genel bakış sunmakla kalmadı, daha da önemlisi, yeni bir adımı da vurguladı: ekonometrik modelleri modern makine öğrenme teknikleriyle geliştirmek.

Seminerin giriş bölümü, zaman serilerinin trend, mevsimsellik, döngüler, durağanlık, gürültü gibi özelliklerini ve ARIMA, SARIMA, ARDL, ECM, VAR/VECM veya GARCH gibi klasik modelleri sistematize etmektedir...

Yüksek Lisans öğrencisi Hoang Huu Son, zaman serisi analizinde makine öğrenimi modelleri konulu seminerde sunum yaptı.

Bu araçlar, onlarca yıldır ekonometrik araştırmaların temelini oluşturmuş olup, belirgin avantajlara sahiptir: iyi yorumlama gücü, standartlaştırılmış teorik çerçeve, düşük hesaplama maliyeti ve küçük ölçekli veriler için uygunluk.

Günümüzde finans piyasaları, yüksek belirsizlik, birçok şok ve uzun vadeli bağımlılıkların olduğu çeşitli bir yapıda faaliyet göstermektedir. Değişken sayısı ve veri kaynakları, yüksek frekanslı verilerden yapılandırılmamış verilere kadar hızla artmaktadır. Böyle bir ortamda, geleneksel varsayımlar (durağanlık, normal dağılım, doğrusallık vb.) genellikle artık uygun değildir ve bu da geleneksel modellerin doğruluğunu bir miktar sınırlamaktadır. Makine öğrenimi ise bu modern ve güncel yaklaşımlardan biridir.

Bu nedenle, Seminer, makine öğreniminin temel bilgilerini ve MLP, RNN, LSTM, Bi-LSTM, Stacked LSTM gibi zaman serisi analizinde makine öğrenimi, sinir ağları ve derin öğrenmenin rolünü özetlemektedir. Klasik doğrusal modelden farklı olarak, Makine Öğrenimi, geleneksel ekonometrik modellerin sınırlamalarının üstesinden gelmenin yanı sıra doğrusal olmayan ilişkileri modellemeyi, uzun vadeli bağımlılıkları hatırlamayı ve veri serilerindeki kalıpları otomatik olarak öğrenmeyi de mümkün kılmaktadır.

Dr. Cu Thu Thuy, Ekonometri ve Makine Öğrenimi Seminerinde konuşma yaptı.

Farklı modellerle yapılan Bitcoin ve VN-Index fiyat tahmin deneylerinin sunumuyla, LSTM modelinin verilerin oldukça gürültülü olduğu durumlarda bile düşük RMSE, MAE ve MAPE hataları verdiği ve LSTM modelleri aracılığıyla tahmin edilen verilerin ekonomik doğasını yansıttığı kanıtlanmıştır; bu da makine öğrenimi ve derin öğrenmenin ekonomik ve finansal tahminlerdeki açık avantajlarını göstermektedir.

Seminerde öne çıkan bir görüş şudur: Ekonometri ve makine öğrenimi birbirinin zıttı değil, aksine birbirini tamamlayan ve geliştiren alanlardır. Ekonometri teorik çerçeve, nedensel yapı ve politika yorumlama yetenekleri sağlar. Makine öğrenimi ise güçlü hesaplama gücü, doğrusal olmayan modelleme, büyük veri işleme yetenekleri ve gürültüye karşı dayanıklılık sunar.

Bu kombinasyon, VAR-LSTM, hibrit Durum Uzayı + Derin Öğrenme ve zaman serisi dönüşümü gibi yeni nesil modeller yarattı ve bunlar uluslararası bir araştırma trendi haline geliyor.

Ayrıca, seminerdeki sunumlar ve tartışmalar, makine öğrenimi ve derin öğrenme için altyapıya ve verilere yatırım yapmanın önemini de teyit etti.

Araştırma olanakları, mimariyi, modelin gerçek dünya problemlerini çözmedeki hesaplama verimliliğini ve yüksek kaliteli uluslararası yayınları doğrudan etkilediği için önemlidir.

Seminer, araştırma düşüncesinde yalnızca doğrusal modellere dayanmaktan derin öğrenme modellerinden yararlanmaya; küçük veri kümelerinden büyük veri kümelerine; ve tanımlayıcı analizden yüksek doğrulukta tahmine doğru yaşanan değişimi teyit etti.

Bu, Finans Akademisi'ndeki Matematiksel Ekonomi, Finans ve Bankacılık, Veri Analizi ve Veri Bilimi alanları için önemli bir yönelimdir.

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