23923

ارائه رويكردي در يادگيري ماشين براي بهبود پيشبيني سري هاي زماني با استفاده از داده هاي اقتصاد ايران

كارشناسي ارشد

99/11/19

دكتر بهروز مينائي

كامپيوتر

پيشبيني شاخص هاي اقتصادي يكي از مهمترين و تأثيرگذار ترين پارامتر ها در تصميم گيري هاي كليدي درون دولت و در بخش خصوصي است. بانك مركزي، بانكها و موسسات مالي واعتباري و بسياري از شركتهاي بزرگ دولتي و نيمه دولتي و خصوصي در بسياري از تصميم گيري هاي اساسي و سياست گذاري هاي خود از پيشبيني هاي معتبري از شاخص هاي اقتصادي همانند نرخ بيكاري، تورم، نرخ بهره بانكي، نرخ برابري ارزها و غيره استفاده مي كنند. همچنين اينگونه پيشبيني ها از بزرگترين بازيگران در راستاي تهيه لايحه هاي بودجه هاي ساليانه توسط دولت ارزيابي مي شوند. متاسفانه اينگونه شاخص‌هاي اقتصادي محصول يك سيستم تصادفي پيچيده و سيال است كه باعث مي‌شود پيش‌بيني اين شاخص‌ها دشوار و همراه با خطا‌هاي بعضاً بالا باشد. به همين علت به طور معمول روش‌هايي كه قابليت در نظر گرفتن پارامترهاي كيفي را نيز دارند و اكثرا مبتني بر نظرسنجي مي باشند، نتايج بهتري به دست مي دهند. در مساله پيشبيني سري‌هاي زماني، مي خواهيم با استفاده از داشتن داده هاي مختلف در يك بازه زماني در گذشته، مقدار آينده متغيري را پيش‌بيني كنيم. روش‌هاي قديمي گسترده‌اي در اين زمينه موجود است كه رگرسيون و روش‌هاي غيرخطي مانند پيش‌بيني بيز از مشهورترين آن‌ها هستند. اما در چندين سال اخير پيش‌بيني سري‌هاي زماني توسط يادگيري ماشين رو به گسترش نهاده و در پژوهش‌هاي مختلفي به آن پرداخته شده است. با استفاده از مدل‌هاي گذشته و مدل‌هاي به روز يادگيري ماشين مانند Random Forest و Lstm و GRU و XGboost (روش خاصي از Gradient Boosting ) و مدلي خلاقانه و نوين با استفاده از روش Model Stacking Ensemble به بهترين مدل يادگيري حال رسيده وبا استفاده از معيارهاي آماري خطا، يك بررسي اجمالي برتفاوت هاي كليه مدل‌هاي مهم در مدل‌سازي اين نوع از سري‌هاي زماني، انجام مي دهيم. براي بررسي تك تك اين اتفاقات از معيارهاي آماري به روز خطا كه در آخرين مقالات در حيطه مشابه كار ما از آن‌ها بهره برده شده استفاده كرده‌ايم.

1400/04/01

A Machine-Learning approach to improve time-series forecasting using macro-economic data

2/8/2022 12:00:00 AM

Economic variables forecasting is one of the most important matters in governments’ decision making and for private businesses. Central bank, financial institutions, and many big companies use different economic forecasting, e.g. interest rate, unemployment rate, inflation, exchange rates, etc., when they take action or determine new policies. These forecasts play an important role when governments want to present yearly budget bills. Unfortunately, these kind of parameters are affected by a very vast and statistical set of variables as a complicated system, so forecasting would not be an easy task. This is why old-fashioned ways of forecasting are based on qualitative parameters and surveys. In the problem of forecasting time-series data, we have different parameters in a course of specific time frame, and the goal is to predict the future value of a target variable as closely as possible. There are many old algorithms defined for this problem from which we can mention Regression, or Bayesian Forecasting, but Machine Learning has become a popular approach in recent years. Using old models, state-of-the-art machine learning algorithms including Random Forest, LSTM, GRU and XGBoost (a specific approach in Gradient Boosting), and an innovative algorithm based on Model Stacking Ensemble, we will introduce the best model presented and we will make a thorough comparison of different models by comparing their different error metrics which have been used in the most recent and bold researches published in Time-Series Forecasting area.

يادگيري ماشين , پيشبيني سري هاي زماني , تغييرات ساختاري

Macro-Economic Forecasting , Machine Learning , Structural Change