नाउकास्टिंग क्या है?

पूर्वानुमान की तरह , जो भविष्य की भविष्यवाणी कर रहा है, नाउकास्टिंग वर्तमान की भविष्यवाणी कर रहा है, यानी, रीयल-टाइम डेटा और भविष्यवाणी विश्लेषण का उपयोग करके वर्तमान या निकट अवधि की स्थिति का अनुमान लगा रहा है।

नाउकास्टिंग का उपयोग कहाँ किया जाता है?

नाउकास्टिंग उन क्षेत्रों में एक महत्वपूर्ण भूमिका निभाता है जहां प्रभावी निर्णय लेने के लिए नवीनतम जानकारी अपरिहार्य है लेकिन तुरंत पहुंच योग्य नहीं हो सकती है। ऐसे क्षेत्रों में वित्त, मौसम विज्ञान, सार्वजनिक स्वास्थ्य, अर्थशास्त्र और अन्य शामिल हैं। उदाहरण के लिए, वित्त में, स्टॉक मूल्य आंदोलनों की रीयल-टाइम भविष्यवाणी निवेशकों के लिए सूचित निर्णय लेने के लिए उपयोगी होती है और इस उद्देश्य के लिए विभिन्न उपलब्ध डेटा स्रोत और उन्नत विश्लेषण का लाभ उठाया जा सकता है। इसी तरह, मौसम विज्ञान में सटीक अल्पकालिक मौसम भविष्यवाणी के लिए संवेदी इनपुट और उपग्रह छवियों के डेटा का उपयोग किया जा सकता है। हालांकि, यह लेख मैक्रोइकॉनॉमिक नाउकास्टिंग पर ध्यान केंद्रित करेगा - जीडीपी और मुद्रास्फीति जैसे प्रमुख मैक्रोइकॉनॉमिक संकेतकों की वास्तविक समय की भविष्यवाणी। ऐसे संकेतकों के लिए आधिकारिक आँकड़े अक्सर केवल एक अंतराल के साथ उपलब्ध होते हैं।

मैक्रोइकॉनॉमिक नाउकास्टिंग:

अर्थव्यवस्था की अल्पकालिक गतिशीलता की भविष्यवाणी करना विभिन्न आर्थिक एजेंटों की निर्णय लेने की प्रक्रिया में एक महत्वपूर्ण इनपुट है। हालांकि, प्रमुख व्यापक आर्थिक संकेतकों का सही-सही पता लगाना विभिन्न कारणों से चुनौतीपूर्ण हो सकता है। उदाहरण के लिए, आधिकारिक अनुमान काफी देरी से जारी किए जाते हैं , और डेटा और अनुमानों में अनिश्चितता के कारण कई संशोधन हो सकते हैं, कभी-कभी उनकी पहली रिलीज के वर्षों बाद। इसके अतिरिक्त, मैक्रोइकोनॉमिक संकेतकों के सही-सही अनुमान लगाने के लिए विभिन्न डेटा श्रृंखलाओं की आवश्यकता होती है - प्रक्रिया को और जटिल बनाते हुए [1]।

व्यापक आर्थिक संकट, जैसे कि कोविद -19 महामारी के कारण, संकट के अभूतपूर्व आर्थिक प्रभावों, उन संकटों को कम करने के लिए तैयार की गई अपरंपरागत नीतियों और पिछड़े हुए डेटा पर निर्भरता के कारण पारंपरिक मॉडलों की अविश्वसनीयता के कारण अब प्रसारण को और भी चुनौतीपूर्ण बना देता है। [2]।

मैक्रोइकॉनॉमिक नाउकास्टिंग के लिए मशीन लर्निंग:

मैक्रोइकोनॉमिक नाउकास्टिंग के लिए मशीन लर्निंग (एमएल) मॉडल का उपयोग वास्तविक समय डेटा के विविध सेट को प्रभावी ढंग से संभालने , भविष्यवक्ताओं में संरेखता का प्रबंधन करने और भविष्यवक्ताओं और लक्ष्य चर के बीच गैर-रैखिक बातचीत को पकड़ने की उनकी क्षमता के कारण अत्यधिक लाभप्रद है। इसके अतिरिक्त, एमएल मॉडल भविष्यवाणी सटीकता में सुधार को प्राथमिकता देते हैं - मैक्रोइकॉनॉमिक नाउकास्टिंग एप्लिकेशन [2] का एक महत्वपूर्ण पहलू।

मैक्रो नाउकास्टिंग के लिए एमएल के उपयोग के उदाहरण:

मैक्रोइकॉनॉमिक नाउकास्टिंग के लिए लोकप्रिय दृष्टिकोण गतिशील कारक मॉडल (DFM) और मिश्रित डेटा नमूनाकरण (MIDAS) मॉडल हैं; हालाँकि, एमएल मॉडल का उपयोग हाल ही में बढ़ रहा है। यह उच्च-आवृत्ति, गैर-पारंपरिक और जटिल डेटासेट का लाभ उठाने की आवश्यकता के कारण है। नीचे सूचीबद्ध कुछ लेख ऐसे डेटा से आर्थिक मूल्य निकालने में एमएल मॉडल की उपयोगिता पर जोर देते हैं। इसके अतिरिक्त, ये लेख इस बात पर प्रकाश डालते हैं कि ML मॉडल का उपयोग पारंपरिक अर्थमितीय उपकरणों जैसे MIDAS मॉडल के साथ किया जा सकता है ताकि भविष्यवाणी की सटीकता को बढ़ाया जा सके और मैक्रोइकॉनॉमिक ट्रेंड [3, 4] में गहरी अंतर्दृष्टि प्राप्त की जा सके।

एक। कपेटानियोस, जी. और पैपिलियास, एफ. बिग डेटा एंड मैक्रोइकॉनॉमिक नाउकास्टिंग: मेथोडोलॉजिकल रिव्यू। तकनीकी रिपोर्ट, चर्चा पत्र ESCoE DP-2018-12 , 2018। ( पेपर लिंक )

बी। रिचर्डसन, ए., मूल्डर, टी. और वेहबी, टी. नाउकास्टिंग जीडीपी मशीन-लर्निंग एल्गोरिदम का उपयोग करते हुए: एक वास्तविक समय का आकलन। इंटरनेशनल जर्नल ऑफ फोरकास्टिंग , 2020। ( पेपर लिंक )

सी। चैपमैन, जे., और देसाई, ए. कोविड-19 की शुरुआत के दौरान मैक्रोइकॉनॉमिक वैरिएबल्स को नाउकास्ट करने के लिए भुगतान डेटा का उपयोग करना। जर्नल ऑफ फाइनेंशियल मार्केट इंफ्रास्ट्रक्चर , 9(1), 2021. ( पेपर लिंक )

डी। Babii, A., Ghysels, E., और Striaukas, J. मशीन लर्निंग टाइम सीरीज़ रिग्रेशन विद ए एप्लिकेशन टू नाउकास्टिंग। जर्नल ऑफ बिजनेस एंड इकोनॉमिक स्टैटिस्टिक्स , 40, 2022 ( पेपर लिंक )

दूर करने के लिए चुनौतियां:

हालाँकि, एमएल मॉडल का उपयोग करने से कुछ चुनौतियाँ भी होती हैं जो नीतिगत उपयोग के लिए इन मॉडलों की प्रभावशीलता को कम कर सकती हैं। विशेष रूप से, ओवरफिटिंग की नाउकास्टिंग एमएल मॉडल समस्या; अर्थात्, इन मॉडलों के लचीलेपन के कारण, उन्हें इन-सैंपल डेटा पर ओवरफिट करना आसान है, जो उनके आउट-ऑफ-सैंपल प्रदर्शन को कम कर सकता है। इसके अलावा, इन मॉडलों की व्याख्या करना कठिन है, जो उनकी भविष्यवाणियों को समझने के लिए महत्वपूर्ण हो सकता है - खासकर यदि उनका उपयोग नीतिगत निर्णयों का समर्थन करने के लिए किया जाता है।

शोधकर्ता इन चुनौतियों पर काबू पाने की दिशा में प्रगति कर रहे हैं। उदाहरण के लिए, व्याख्यात्मकता के मुद्दों को कम करने के लिए हाल ही में विकसित एक दृष्टिकोण शेपले-मूल्य-आधारित पद्धति [5, 6] है। हालाँकि, ध्यान दें कि यद्यपि ऐसी विधियाँ गेम थ्योरी पर आधारित हैं, वे कोई इष्टतम सांख्यिकीय मानदंड प्रदान नहीं करती हैं। इससे उबरने के लिए, उदाहरण के लिए, हाल के एक पेपर [7] में, लेखक एमएल-आधारित मिश्रित डेटा नमूनाकरण का प्रस्ताव करते हैं और रैखिक नियमित प्रतिगमन के संदर्भ में स्पर्शोन्मुख विकसित करते हैं। हालांकि, लोकप्रिय गैर-रैखिक एमएल दृष्टिकोणों के लिए इस तरह के स्पर्शोन्मुख विश्लेषण का उपयोग करने के लिए बहुत प्रगति की जानी चाहिए।

संदर्भ

[1] जियानोन, डी।, रीचलिन, एल।, और स्मॉल, डी। (2008)। नाउकास्टिंग: मैक्रोइकॉनॉमिक डेटा की वास्तविक समय की सूचनात्मक सामग्री। मौद्रिक अर्थशास्त्र का जर्नल , 55 ।

[2] चैपमैन, जेटी, और देसाई, ए (2022)। भुगतान डेटा और मशीन लर्निंग का उपयोग कर मैक्रोइकॉनॉमिक भविष्यवाणियां। arXiv प्रीप्रिंट arXiv: 2209.00948 ।

[3] स्टॉक, जेएच, और वाटसन, मेगावाट (2011)। गतिशील कारक मॉडल।

[4] घीसेल्स, ई., सिंको, ए., और वलकानोव, आर. (2007)। MIDAS प्रतिगमन: आगे के परिणाम और नई दिशाएँ। अर्थमितीय समीक्षा , 26 .

[5] लुंडबर्ग, एसएम, और ली, एसआई (2017)। मॉडल भविष्यवाणियों की व्याख्या करने के लिए एक एकीकृत दृष्टिकोण। तंत्रिका सूचना प्रसंस्करण प्रणालियों में अग्रिम , 30 ।

[6] बकमैन, एम।, जोसेफ, ए।, और रॉबर्टसन, एच। (2021)। ब्लैक बॉक्स खोलना: आर्थिक पूर्वानुमान के लिए एक आवेदन के साथ मशीन सीखने की व्याख्या और अनुमान उपकरण। अर्थशास्त्र और वित्त के लिए डेटा साइंस में : कार्यप्रणाली और अनुप्रयोग।

[7] बाबी, ए., घिसल्स, ई., और स्ट्रायुकास, जे. (2022)। नाउकास्टिंग के लिए एक एप्लिकेशन के साथ मशीन लर्निंग टाइम सीरीज़ रिग्रेशन। जर्नल ऑफ बिजनेस एंड इकोनॉमिक स्टैटिस्टिक्स , 40।