اکنامک ٹائم سیریز تجزیہ: اکانومیٹرک ماڈلز اور مشین لرننگ سے ایک نقطہ نظر

اعداد و شمار اور غیر مستحکم مارکیٹوں کا دھماکہ اقتصادی اور مالیاتی پیشن گوئی کے ماڈلز میں اہم تبدیلیوں کو مجبور کر رہا ہے۔ سیمینار "اکنامک ٹائم سیریز اینالیسس" روایتی اکانومیٹرکس کو مشین لرننگ تکنیکوں کے ساتھ جوڑنے کی طرف ایک رجحان کو ظاہر کرتا ہے، جس سے زیادہ لچکدار اور درست پیشن گوئی کی راہیں کھلتی ہیں۔

بڑے اعداد و شمار، تیزی سے بدلتی ہوئی منڈیوں، اور تیزی سے پیچیدہ معاشی تعلقات کے تناظر میں، اقتصادی اور مالیاتی پیشن گوئی کے آلات کے مطالبات ڈرامائی طور پر تبدیل ہو رہے ہیں۔

اکیڈمی آف فنانس اور انٹرنیشنل سینٹر فار میتھ میٹکیکل ریسرچ اینڈ ٹریننگ کے زیر اہتمام سائنسی سیمینار "اکنامک ٹائم سیریز اینالیسس: اپروچز فرام اکنامک ٹائم سیریز اینڈ مشین لرننگ" میں واضح طور پر دکھایا گیا، جس میں ڈاکٹر Cu Thu Thuy اور MSc کی پیشکشیں تھیں۔ ہوانگ ہوا بیٹا۔

اس بحث نے نہ صرف روایتی ٹائم سیریز ماڈلز کا ایک جامع جائزہ فراہم کیا بلکہ اس سے بھی اہم بات یہ ہے کہ آگے بڑھنے والے ایک نئے قدم پر روشنی ڈالی: جدید مشین لرننگ تکنیکوں کے ساتھ اکانومیٹرک ماڈلز کو اپ گریڈ کرنا۔

سیمینار کا تعارفی حصہ ٹائم سیریز کی خصوصیات کو منظم کرتا ہے جیسے کہ رجحان، موسم، سائیکل، سٹیشناریٹی، شور، اور کلاسک ماڈل جیسے ARIMA، SARIMA، ARDL، ECM، VAR/VECM، یا GARCH...

ایم ایس سی Hoang Huu Son نے ٹائم سیریز کے تجزیہ میں مشین لرننگ ماڈلز پر سیمینار میں پیش کیا۔

ان ٹولز نے کئی دہائیوں سے اقتصادی تحقیق کی بنیاد رکھی ہے، جس کے مختلف فوائد ہیں: اچھی تشریحی طاقت، معیاری نظریاتی فریم ورک، کم کمپیوٹیشنل لاگت، اور چھوٹے پیمانے کے ڈیٹا کے لیے موزوں۔

آج، مالیاتی منڈیاں ایک متنوع ڈھانچے کے ساتھ کام کرتی ہیں جس میں بہت زیادہ غیر یقینی صورتحال، بہت سے جھٹکے اور طویل مدتی انحصار ہوتے ہیں۔ متغیرات اور ڈیٹا کے ذرائع کی تعداد تیزی سے پھیلتی ہے، اعلی تعدد ڈیٹا سے غیر ساختہ ڈیٹا تک۔ ایسے ماحول میں، روایتی مفروضے (اسٹیشناریٹی، نارمل ڈسٹری بیوشن، لکیریٹی، وغیرہ) اکثر مناسب نہیں رہتے، جس سے روایتی ماڈلز کی درستگی کچھ حد تک محدود ہوجاتی ہے۔ اور مشین لرننگ جدید اور حالاتی طریقوں میں سے ایک ہے۔

لہذا، سیمینار مشین لرننگ کے بنیادی علم اور مشین لرننگ، نیورل نیٹ ورکس اور ٹائم سیریز کے تجزیہ میں گہری سیکھنے کے کردار کا خلاصہ پیش کرتا ہے جیسے MLP، RNN، LSTM، Bi-LSTM، Stacked LSTM۔ کلاسیکی لکیری ماڈل سے مختلف، مشین لرننگ نے روایتی اکانومیٹرک ماڈلز کی حدود پر قابو پالیا ہے اور ساتھ ہی نان لائنر تعلقات کو ماڈلنگ کرنے، طویل مدتی انحصار کو یاد رکھنے اور ڈیٹا سیریز میں خودکار طریقے سے سیکھنے کے نمونوں کی اجازت دیتا ہے۔

ڈاکٹر Cu Thu Thuy نے اکانومیٹرکس اور مشین لرننگ کے سیمینار سے خطاب کیا۔

مختلف ماڈلز کے ساتھ Bitcoin اور VN-Index قیمت کی پیشن گوئی کے تجربات کی پیشکش کے ذریعے، یہ ثابت ہوا ہے کہ LSTM ماڈل کم RMSE، MAE، MAPE کی غلطیاں دیتا ہے یہاں تک کہ جب ڈیٹا بہت زیادہ شور ہو، اور LSTM ماڈلز کے ذریعے، یہ پیشین گوئی شدہ ڈیٹا کی معاشی نوعیت کی بھی عکاسی کرتا ہے، اس طرح معاشی سیکھنے اور معاشی سیکھنے کے گہرے فوائد کو ظاہر کرتا ہے۔ پیشن گوئی

سیمینار میں ایک نمایاں نقطہ نظر یہ ہے کہ: اکانومیٹرکس اور مشین لرننگ ایک دوسرے کے مخالف نہیں ہیں، بلکہ ایک دوسرے کی تکمیل اور اضافہ کرتے ہیں۔ اکانومیٹرکس نظریاتی فریم ورک، کازل ڈھانچہ، اور پالیسی کی تشریح کی صلاحیتیں فراہم کرتا ہے۔ مشین لرننگ طاقتور کمپیوٹنگ پاور، نان لائنر ماڈلنگ، ڈیٹا پروسیسنگ کی بڑی صلاحیتیں، اور شور سے استثنیٰ فراہم کرتی ہے۔

اس امتزاج نے ماڈلز کی ایک نئی نسل تیار کی ہے - VAR-LSTM، ہائبرڈ اسٹیٹ اسپیس + ڈیپ لرننگ سے لے کر ٹائم سیریز ٹرانسفارمیشن تک - جو ایک بین الاقوامی تحقیقی رجحان بن رہے ہیں۔

مزید برآں، سیمینار میں پریزنٹیشنز اور مباحثوں نے مشین لرننگ اور ڈیپ لرننگ کے لیے انفراسٹرکچر اور ڈیٹا میں سرمایہ کاری کی اہمیت کی بھی تصدیق کی۔

کیونکہ تحقیقی سہولیات براہ راست فن تعمیر پر اثر انداز ہوتی ہیں، حقیقی دنیا کے مسائل کو حل کرنے کے ساتھ ساتھ اعلیٰ معیار کی بین الاقوامی اشاعتوں کے لیے ماڈل کی کمپیوٹیشنل کارکردگی۔

سیمینار نے تحقیقی سوچ کو مکمل طور پر لکیری ماڈلز پر انحصار کرنے سے لے کر گہرے سیکھنے کے ماڈلز کی طرف لے جانے کی تصدیق کی۔ چھوٹے ڈیٹاسیٹس سے بڑے ڈیٹاسیٹس تک؛ اور وضاحتی تجزیہ سے لے کر انتہائی درست پیشین گوئی تک۔

اکیڈمی آف فنانس میں ریاضی کی اقتصادیات، مالیات اور بینکنگ، ڈیٹا تجزیہ، اور ڈیٹا سائنس کے شعبوں کے لیے یہ ایک اہم سمت ہے۔

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