Аналіз економічних часових рядів: підходи на основі економетричних моделей та машинного навчання

Вибухові дані та волатильні ринки змушують економічні та фінансові моделі прогнозування кардинально змінюватися. Семінар «Економічний аналіз часових рядів» демонструє тенденцію поєднання традиційної економетрики з методами машинного навчання, що відкриває більш гнучкий та точний напрямок прогнозування.

В контексті великих даних, швидкозмінних ринків та дедалі складніших економічних відносин, вимоги до інструментів економічного та фінансового прогнозування різко змінюються.

Це було чітко продемонстровано на науковому семінарі «Економічний аналіз часових рядів: підходи економетричних моделей та машинного навчання», організованому Академією фінансів та Міжнародним центром математичних досліджень та навчання, з доповідями доктора Ку Тху Тхуя та магістра Хоанг Хю Сона.

Дискусія не лише забезпечила вичерпний огляд традиційних моделей часових рядів, але й, що важливіше, висвітлила новий крок уперед: вдосконалення економетричних моделей за допомогою сучасних методів машинного навчання.

У вступній частині семінару систематизуються характеристики часових рядів, такі як тренд, сезонність, цикли, стаціонарність, шум, а також класичні моделі, такі як ARIMA, SARIMA, ARDL, ECM, VAR/VECM або GARCH...

Магістр наук Хоанг Хю Сон виступив з доповіддю на семінарі з моделей машинного навчання в аналізі часових рядів.

Ці інструменти протягом десятиліть складали основу економетричних досліджень, маючи чіткі переваги: ​​хорошу інтерпретаційну здатність, стандартизовану теоретичну базу, низькі обчислювальні витрати та придатність для дрібномасштабних даних.

Сьогодні фінансові ринки функціонують з різноманітними структурами, що характеризуються високою невизначеністю, численними шоками та довгостроковими залежностями. Кількість змінних та джерел даних швидко зростає, від високочастотних даних до неструктурованих даних. У такому середовищі традиційні припущення (стаціонарність, нормальний розподіл, лінійність тощо) часто більше не підходять, що обмежує точність традиційних моделей. Машинне навчання є одним із сучасних та актуальних підходів.

Таким чином, семінар узагальнює базові знання про машинне навчання та його роль, нейронні мережі та глибоке навчання в аналізі часових рядів, таких як MLP, RNN, LSTM, Bi-LSTM та Stacked LSTM. На відміну від класичних лінійних моделей, машинне навчання подолало обмеження традиційних економетричних моделей та дозволяє моделювати нелінійні зв'язки, довгострокову пам'ять залежностей та автоматичне навчання шаблонів у рядах даних.

Д-р Ку Тху Тхуй виступив на семінарі з економетрики та машинного навчання.

Завдяки презентації експериментальних прогнозів цін на Bitcoin та VN-Index з використанням різних моделей було продемонстровано, що моделі LSTM дають низькі значення помилок RMSE, MAE та MAPE навіть із сильно зашумленими даними. Крім того, моделі LSTM точно відображають економічну природу прогнозованих даних, тим самим доводячи явні переваги машинного навчання та глибокого навчання в економічному та фінансовому прогнозуванні.

Ключовим моментом, який було підкреслено на семінарі, було те, що економетрика та машинне навчання не протиставляються, а радше доповнюють та посилюють одне одного. Економетрія забезпечує теоретичну основу, причинно-наслідкові структури та можливості інтерпретації політики. Машинне навчання забезпечує потужні обчислювальні можливості, нелінійне моделювання, здатність обробляти великі набори даних та стійкість до перешкод.

Таке поєднання створило нове покоління моделей – від VAR-LSTM, гібридного простору станів + глибокого навчання до трансформації часових рядів – які стають міжнародним дослідницьким трендом.

Крім того, презентації та дискусії на семінарі також підтвердили важливість інвестування в інфраструктуру та дані для машинного та глибокого навчання.

Оскільки дослідницькі потужності безпосередньо впливають на архітектуру, обчислювальну ефективність моделі у вирішенні реальних проблем, а також на прагнення до високоякісних міжнародних публікацій.

Семінар підтвердив зміну дослідницького мислення від опори виключно на лінійні моделі до використання моделей глибокого навчання; від малих наборів даних до великих; та від описового аналізу до високоточного прогнозування.

Це важливий напрямок для галузей математичної економіки, фінансів та банківської справи, аналізу даних та науки про дані в Академії фінансів.

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