Prognozowanie zmiennych ekonomicznych, takich jak PKB, inflacja, popyt, ceny surowców i ryzyko finansowe, zawsze było kluczowe dla polityki, planowania i strategii. Ale w ostatnich latach oprogramowanie do prognozowania zmieniło tę dziedzinę. Automatyzacja, dostęp do dużych i różnorodnych źródeł danych, uczenie maszynowe i metody bayesowskie, zespoły modeli i wdrażanie w czasie rzeczywistym są obecnie powszechne. Ustrukturyzowany proces oceny testowania modeli, przechowywanie danych, porównywanie prognoz wydajności i monitorowanie dryfu ma zasadnicze znaczenie dla identyfikacji wysokich wyników i zapewnienia ciągłego doskonalenia. Co więcej, nie wystarczy już zbudować jeden model i wdrożyć; najlepsze zespoły stale wdrażają nowe modele i metody prognozowania, dostosowują się do nowych danych, dostosowują zestawy funkcji/wskaźników, ponownie wybierają zmienne, przekwalifikowują i integrują informacje zwrotne.
W tym kontekście oto 8 najlepszych narzędzi prognozowania ekonometrycznego dla analityków danych, ocenianych pod względem mocnych i słabych stron.
1. Wskaźnik
Wprowadzenie
Indicio to nowoczesna zautomatyzowana platforma prognozowania mająca na celu połączenie zaawansowanych metod ekonometrycznych, uczenia maszynowego i badań statystycznych z potrzebami prognozowania biznesowego lub politycznego. Zapewnia interfejs bez kodu, aby analitycy bez doktoratu mogli budować, porównywać i wdrażać modele prognozy. Za kulisami Indicio integruje dużą liczbę źródeł danych (na przykład Macrobond, Bloomberg, Refinitiv, FRED, Eurostat i wiele innych) do wprowadzania wskaźników. Algorytm wyboru zmiennego lub wyszukiwania pomaga zidentyfikować, które wskaźniki zewnętrzne są istotne. Posiada bogatą bibliotekę modeli: statystycznych, ML, Bayesowskich, regresji karalnych, modeli mieszanych szeregów częstotliwości i szeregów czasowych itp. Obsługuje również zespoły modeli; ważenie modeli razem, analizę scenariuszy, wykrywanie wskaźników wiodących i testowanie wsteczne. Automatyzuje większość prac modelarskich, uwalniając analityków do skupienia się na interpretacji, wdrażaniu i monitorowaniu.
Plusy
- Bardzo silna automatyzacja i łatwość obsługi: narzędzia bez kodu oznaczają szybką iterację, dostępną dla analityków spoza doktoratu.
- Szeroka biblioteka modeli statystycznych, ML, bayesowskich, mieszanych i karanych modelów+zdolność do ich ważenia/zestawiania, a także zintegrowana metodologia wyboru zmienny/analiza wskaźników wiodących.
- Zintegrowany dostęp do wielu zewnętrznych źródeł danych makroekonomicznych (Macrobond, Bloomberg, Refinitiv, FRED, Eurostat itp.), co pomaga w budowaniu bogatszych zestawów funkcji.
Wady
- Droższe niż narzędzia open source: koszty licencjonowania/subskrypcji mogą być wysokie w zależności od skali.
- Ograniczona możliwość kodowania własnych modeli: jesteś ograniczony do biblioteki dostarczonych modeli; niestandardowe lub nowatorskie specyfikacje modeli mogą nie być możliwe.
- Wymaga połączenia z Internetem: ponieważ źródła danych, obliczenia, interfejs są oparte na sieci, offline lub środowiska o niskiej łączności są trudniejsze do obsługi.
2. eViews
Wprowadzenie
eViews to wieloletni komercyjny pakiet oprogramowania ekonometrycznego, bardzo popularny w badaniach ekonomicznych, bankach centralnych, doradztwie i środowisku akademickim. Oferuje bogaty zestaw narzędzi do analizy szeregów czasowych, danych panelowych, przekroju poprzecznego, prognozowania, strukturalnego modelowania ekonometrycznego, symulacji, testowania hipotez itp. Interfejs użytkownika jest bardziej graficzny i oparty na menu, ale obsługuje również skrypty i uruchamiania wsadowe. W swoich najnowszych wersjach (eViews 14 itp.) dodał ulepszone możliwości: narzędzia regulacji sezonowej, kwantowe oszacowanie ARDL, ulepszenia MIDAS/GARCH, testy przerw strukturalnych itp. Jest silny, gdy potrzebujesz zarówno tradycyjnego modelowania ekonometrycznego (VAR, ARIMA, state space, panel), jak i dobrego zarządzania danymi, narzędzi diagnostycznych i narzędzi oceny prognozowania.
Plusy
- Dojrzałe, stabilne narzędzie z wieloma wdrożonymi metodami ekonometrycznymi (szeregi czasowe, ARIMA, VAR, GARCH, modele strukturalne, przestrzeń stanów itp.).
- Silne narzędzia diagnostyczne, testowe i ewaluacyjne (np. testy przerw strukturalnych, ocena prognozy, uśrednianie prognoz).
- Dobry dla użytkowników, którzy chcą zarówno łatwości opartej na GUI /menu, jak i skryptów/automatyzacji; również dobre wsparcie, dokumentacja, jakość publikacji.
Wady
- Komercyjne: opłaty licencyjne mogą być znaczne, szczególnie dla mniejszych organizacji lub niezależnych analityków.
- Mniej elastyczny/mniej „krwawiąca krawędź” pod względem integracji nowych technik ML /głębokiego uczenia w porównaniu z niektórymi nowszymi narzędziami.
- Głównie zorientowany na system Windows; może być mniej przyjazny dla wdrażania lub integracji w chmurze/pociągach produkcyjnych w porównaniu z narzędziami Python/R typu open source.
3. Prognoza R+/Tidyverse/Pakiety Bayesowskie
Wprowadzenie
R pozostaje jednym z najpotężniejszych środowisk prognozowania ekonometrycznego. Z pakietami takimi jak prognozy, bajka, cibble, prorok, bsts, Wars, coda, oraz rosnąca liczba bayesowskich i karanych pakietów regresji, R zapewnia analitykom elastyczność, przejrzystość i pełną kontrolę nad specyfikacją modelu. Analitycy mogą łączyć szeregi czasowe, regresję przyczynową, modele przestrzeni stanów, modele hierarchiczne itp. Ocena modelu, diagnostyka szczątkowa, walidacja krzyżowa i niepewność prognozowania są dobrze wspierane. Ponieważ jest to open source, można stale integrować nowe metody badawcze.
Plusy
- Bardzo elastyczny i rozszerzalny: możesz kodować prawie wszystko, dostosowywać modele, testować najnowsze pomysły badawcze.
- Bogate wsparcie społeczności, zasoby edukacyjne, wiele istniejących pakietów; przejrzystość metod oznacza łatwiejsze do zrozumienia zachowanie.
- Koszt: bezpłatny; z możliwością lokalnego działania (brak zależności od Internetu lub zewnętrznych płatnych usług, poza źródłami danych).
Wady
- Stroma krzywa uczenia się: wymaga programowania, wiedzy statystycznej; zarządzanie zależnościami, wersjonowanie, odtwarzalność może wymagać wysiłku.
- Wydajność może ulec pogorszeniu przy bardzo dużych zbiorach danych lub bardzo złożonych modelach (chyba że zoptymalizować/używa szybkich pakietów/backendów C ++).
- Wdrażanie/planowanie/monitorowanie musi być skonfigurowane samodzielnie; mniej funkcji korporacyjnych „po wyjęciu z pudełka” niż niektóre narzędzia komercyjne.
4. Python/ Statsmodels/Prophet/ Inne narzędzia ekosystemu Pythona
Wprowadzenie
Python stał się standardowym narzędziem do analizy i prognozowania danych. Biblioteka Statsmodels obsługuje modele SARIMAX, VAR, State Space, Unobservated Components itp. Prophet (by Meta) dodaje automatyczną procedurę prognozowania odpowiednią dla szeregów czasowych z sezonowością i trendem i jest dość odporna na brakujące dane i wartości odstające. Istnieją również nowsze biblioteki, takie jak Darts, scikit-prognosis (statsprognosis), pytorch/tensorflow/sklearn pociągi dla ML lub prognozowanie głębokiego uczenia. Silny ekosystem Pythona (pobieranie danych, rurociągi ML, wizualizacja, wdrażanie) sprawia, że jest on szczególnie przydatny, gdy prognozy muszą być zintegrowane z systemami produkcyjnymi.
Plusy
- Elastyczność: możesz łączyć metody ekonometryczne i ML, integrować z potokami danych, chmurą itp.
- Silne wsparcie open source, wiele bibliotek; duża społeczność.
- Dobry do wdrażania: obsługa modeli, interfejsy API REST, konteneryzacja itp. Łatwiej dzięki Pythonowi.
Wady
- Podobnie jak w R, potrzebujesz umiejętności programowania; skonfigurowanie powtarzalnych, dobrze przetestowanych systemów prognoz wymaga wysiłku.
- Niektóre metody ekonometryczne (zwłaszcza zaawansowane) mogą być mniej dopracowane w porównaniu do dedykowanego oprogramowania ekonometrycznego.
- W przypadku danych niesezonowych/niestandardowych założenia Propheta mogą nie pasować; może być wymagane ręczne strojenie lub bardziej złożone modele.
5. RATS (analiza regresji szeregów czasowych)
Wprowadzenie
RATS to dobrze znane oprogramowanie do ekonometrii/szeregów czasowych firmy Estima. Ma silne dziedzictwo w akademickiej i stosowanej pracy ekonometrycznej. Obsługuje ARIMA, VAR, modele funkcji transferu/regresji dynamicznej, analizę spektralną, modele stanowo-przestrzenne, GARCH/ARCH itp. Jest oparty na poleceniach, ale ma również możliwości graficzne, funkcje importu/eksportu danych, silną diagnostykę. Jest używany przez praktyków, którzy potrzebują solidnego prognozowania szeregów czasowych z nieco większą kontrolą i mocą niż podstawowe narzędzia.
Plusy
- Szeroki wachlarz modeli ekonometrycznych, zwłaszcza zorientowanych na szeregi czasowe, z ustalonymi metodami.
- Dobry do precyzyjnego, niestandardowego budowania modeli i szczegółowej diagnostyki.
- Sprawdzone osiągnięcia; niezawodny, stabilny.
Wady
- Zastrzeżony/licencjonowany; koszt może być barierą.
- Mniej „efektowny” lub wygodny dla osób przyzwyczajonych do GUI lub nowoczesnych desek rozdzielczych; bardziej stroma krzywa uczenia się.
- Konfiguracja integracji/wdrażania może być bardziej ręczna w porównaniu z platformami prognozowania w chmurze/SaaS.
6. SHAZAM
Wprowadzenie
SHAZAM to kolejny starszy, ale wciąż używany pakiet ekonometryczny/statystyczny, szczególnie w środowisku akademickim i specjalistycznych dziedzinach. Obsługuje szacowanie, testowanie, symulację, prognozowanie wielu rodzajów modeli ekonometrycznych. Przez dziesięciolecia opracował funkcje przekroju poprzecznego, szeregów czasowych, szacowania systemów i tym podobnych. Chociaż może być mniej „krzykliwy” niż nowsze narzędzia, jego stabilność, dobrze udokumentowana funkcjonalność i długa historia sprawiają, że jest to opcja dla tych, którzy potrzebują przejrzystych, dokładnie przetestowanych prognoz ekonometrycznych.
Plusy
- Silny w podstawowej ekonometrii: symulacje, testowanie hipotez, różne metody szacowania itp.
- Dobra dokumentacja i długa historia: dojrzały, dobrze przetestowany.
- Może być mniej zasobochłonna lub prostsza instalacja niż bardzo duże, bogate w funkcje systemy.
Wady
- Interfejs/wrażenia użytkownika mogą wydawać się nieco przestarzałe.
- Ograniczone nowoczesne funkcje (np. mniej natywnego ML, mniej automatycznego wyboru zmiennych) w porównaniu z nowszymi pakietami.
- Mniejszy impuls społecznościowy/mniej najnowszych innowacji w porównaniu z ekosystemami R lub Python.
7. Gretl
Wprowadzenie
Gretl („Gnu Regression, Econometrics and Time-Series Library”) to pakiet ekonometryczny typu open source, popularny wśród studentów, badaczy akademickich i analityków. Obsługuje szeroką gamę szeregów czasowych, przekroju poprzecznego, metod danych panelowych, skryptów użytkownika, grafiki itp. Ponieważ jest darmowy i stosunkowo lekki, jest dobrym rozwiązaniem do prototypowania modeli, nauczania, małych projektów badawczych lub zadań prognozowania na wczesnym etapie.
Plusy
- Bezpłatne, otwarte źródło. Dobre pokrycie podstawowych metod ekonometrycznych.
- Lekki; łatwy w instalacji i uruchomieniu; przydatny do nauczania lub dla analityków, którzy chcą wypróbować modele bez ciężkiej infrastruktury.
- Przejrzysty; dobry do uczenia się i walidacji metod.
Wady
- Mniej nadaje się do bardzo dużych zbiorów danych lub wdrażania produkcji; mniej wbudowanych nowoczesnych narzędzi ML-/ Bayesowskich.
- Mniej zautomatyzowane przepływy pracy (wybór zmiennych, zespół itp.) niż narzędzia SaaS.
- Mniej polski/mniej integracji z zewnętrznymi źródłami danych lub pulpitami nawigacyjnymi.
8. SAS/STATA/Pozostałe (Połączone)
Wprowadzenie
Oprogramowanie takie jak Stata a SAS Są również podstawowymi elementami ekonometrii, statystyki i prognozowania. Są to narzędzia komercyjne, które cieszą się dużym zaufaniem w pracy akademickiej, politycznej i korporacyjnej. Zapewniają rozbudowane biblioteki modeli (liniowe, nieliniowe, panelowe, szeregi czasowe), diagnostykę, a także skryptów, automatyzację i często dobre wsparcie i społeczność użytkowników. Wiele organizacji używa ich, gdy muszą opracować rzetelne prognozy, przeprowadzić analizę scenariuszy lub potrzebować zgodności z przepisami/odtwarzalnością.
Plusy
- Silne wsparcie handlowe, stabilność, dokumentacja. Dobry do raportowania regulowanego lub oficjalnego.
- Bogate zestawy narzędzi; wiele wdrożonych metod; mocna diagnostyka.
- Dobrze zintegrowany ze źródłami danych, raportowaniem, czasami skryptami GUI +.
Wady
- Koszt: licencjonowanie, wsparcie, szkolenie mogą być kosztowne.
- Czasami mniej zwinny/wolniej dostosowywać nowsze rzeczy ML, bayesowskie, głębokie uczenie się lub zespołowe, chyba że używane są dodatki lub integracje zewnętrzne.
- Może mieć bardziej stromą krzywą uczenia się; być może również mniej przyjazny dla wdrażania dla analityków „samoobsługowych” w porównaniu z nowszymi platformami SaaS.
Jak wybrać spośród nich i ciągłe doskonalenie
Oto kryteria, które warto zastosować przy ocenie narzędzi prognozowania:
- Różnorodność modeli i elastyczność: Czy możesz użyć wielu rodzajów modeli (szeregi czasowe, regresja przyczynowa, bayesowska, ML)? Czy możesz określić lub zakodować modele niestandardowe?
- Integracja danych: Możliwość pobierania zewnętrznych danych makro/ekonomicznych, wiodących wskaźników, źródeł w czasie rzeczywistym lub bliskich w czasie rzeczywistym.
- Automatyzacja i łatwość obsługi: Dla użytkowników, którzy nie są ekspertami w teorii ekonometrycznej, ile konfiguracji (wybór zmiennych, sprawdzanie stacjonarności, wykrywanie przerw) jest zautomatyzowana?
- Ważenie zestawów/modelu: Prognozy często działają lepiej podczas łączenia modeli; pomaga oprogramowanie obsługujące uśrednianie modeli lub zestawianie modeli.
- Diagnostyka i ocena: Testowanie wsteczne, próba wstrzymania, testy statystyczne (Diebold-Mariano itp.), walidacja krzyżowa, wykrywanie przerw itp.
- Wdrożenie i produkcja: Czy prognozy mogą być eksportowane, obsługiwane, planowane, monitorowane pod kątem dryfu?
- Koszt, licencjonowanie i wsparcie: Otwarte źródło vs komercyjne; społeczność kontra wsparcie dostawców; dokumentacja i szkolenia.
Ponadto najlepsze praktyki obejmują ciągłą ocenę dokładności prognoz w czasie, przekwalifikowanie lub zastępowanie modeli w miarę zmiany danych lub reżimów, dodawanie nowych wskaźników i ewentualnie łączenie prognoz z wielu narzędzi lub typów modeli.
