“Vad säger man till en BNP-prognosmakare?”
“En Big Mac & Co, tack.”
ESV har publicerat en webapplikation Förutse BNP där man kan testa om en maskininlärningsalgoritm (“AI”) kan vara bättre än högavlönade professionella killgissare anställda på En Myndighet Eller Bank (TM) på att gissa BNP. Svaret är väl … kanske.
 |
| Exempel med algoritmerna Cornu-1 till Cornu-5, ESV:s professionella killgissning på fyra kvartal och faktiskt utfall |
Frågan är om AI-liknande algoritmer kan göra ett bättre jobb än högavlönade anställda killgissare.
Webapplikationen Förutse BNP låter dig välja mellan sju olika algoritmer och nio olika variabler att mäta på. Själva algoritmerna baserar sig i sin tur på 25 års historiska utfall och 95 variabler i faktiskta utfall och enkätindikatorer.
Tyvärr låter algoritmen dig bara leverera retroaktiva prognoser fram till fjärde kvartalet 2020, så man kan inte lägga faktiska prognoser framåt, vilket är trist. Kanske vill inte killgissarna få faktisk konkurrens från en AI. Av mina egna tester verkar algoritmen Cornu-5 ligga närmast ESV:s egna prognos, från mitten av 2014 och framåt.
I övrigt är det intressant att se hur Cornu-1 och Cornu-2 avspeglar bloggens pessimism kring ekonomin 2019, om ni minns hur bloggen skildrade den kraftiga inbromsningen inom industrin hösten 2019, innan Covid-19 ens var en ryckning i ljumsken på en fladdermus på en kinesiska marknad.
Bloggen ser fram emot att applikationen även öppnas upp för att lägga framtida prognoser, så man kan sitta och laborera fram egna faktiska framtida BNP-prognoser genom retroaktiv kurvanpassning. Kanske går det att göra ett eget webformulär, som matar in en slutperiod i framtiden om nu inte algoritmerna är begränsade även på serversidan. Något för den kreative att rapportera tillbaka till bloggen om.
Rapportera gärna om ni lyckas hitta någon variant som kunde förutse pandemin …
 |
| Cornu-6 vs verkligheten vs ESV |
Och om ni kan hitta någon variant som matchar utvecklingen under pandemin. Ett försök är Cornu-6 ovan, som lade en hyfsad prognos för tredje kvartalet 2020, men var för positivt för fjärde. Bättre prognos än de professionella högavlönade killgissarna på ESV iaf.
Nä, maskininlärning är inte egentligen AI, men räknas generellt till fältet. Man matar in stora mängder data och får ut någon form av magiskt resultat. I övrigt är detta backtrading, där man kan laborera fram en algoritm som retroaktivt matchade faktiskt utfall, men det ger inget garanterat prognosvärde framåt.
Du kan läsa mer om Förutse BNP här och själva applikationen hittas här.
21 kommentarer
Varför skulle någon politiker i framtiden låta BNP sjunka? Det är ju bara att strössla med billiga pengar för att hålla uppe efterfrågan på varor och tjänster.
BNP är justerat för inflationen, så det fungerar inte.
Är BNP justerad för inflation ?
Har du nån källa för hur BNP beräknas efter inflation och inte är nån nominal summa ?
BNP är alltid justerad för inflation.
"Nominell BNP" används som mätetal i finansmarknadsstatistiken, men den BNP som redovisas i alla debatter och diskussioner är alltid real.
Fast är det inte det som diskuteras hela tiden, varför den stora ökningen av penningmängden sedan finanskrisen inte ger en större inflation än vad siffrorna visar?
Det är lite en annan diskussion. BNP mäts i volym, "fasta priser". Priset på tillgångar är något annat än värdet på produktionen.
Sannolikt har jag missuppfattat alltihop. Jag tar tillbaka allt och hävdar motsatsen!
Gjorde ett liknande försök med en egensnickrad ML för omx30 1986-2020 för någon månad sedan.
Det gick att hitta nåja-korrelation mellan dåtid och 90-365 dagar framtid men bara inom den samplade datamängden.
Lade jag träningsdata som de första 80% datapunkterna i tid så fanns ingen korrelation alls mellan faktiskt utfall och prognostiserat utfall för de 20% sista datapunkterna.
Att jag som aktieointresserad biolog satt med detta ska kanske ses som tecken på att för många ger sig in på börsen .
Bra exempel på att modellen bara fungerade retroaktivt.
Låter som ett fall av överträning, jag tror även att det blir svårt att träna en AI för att ta hänsyn till "tail-risk". Frågan vi måste ställa oss vad gäller just börsen är om vi har rätt träningsdata, dock inte mitt område så vad vet jag.
Cheshirecat
Har inte så bra koll i överträning, tänkte dock också att det kunde beskrivas typ så eller som en datakomprimering.
Använde 31 historiska variabler för att testa/anpassa mot 6 framtids variabler men på cirka 6600 datapunkter.
Vid regression tror jag enligt wiki man ska ha +10 utfall/datapunker per oberoende variabel. Så även om jag delar med 6 för att jag försökte förute olika framtidsmått så är 6600/6 > 31*10. Så det kanske inte ska räknas som överträning…
Testade även ML:en på fejkad börsdata, överlagrade växande periodiska sinusfunktioner med random noice, och då funkade det att förutse framtiden utanför träningsdata. Börsindex kanske är mer av en över tid växande random walk dock… I alla fall för komplicerat för mitt amatörprojekt.
Hursomhelst så som Lars skrev så fick det mig att inse att det bara funkar retroaktivt, men att man kanske har lätt att få för sig att något funkar som prognos.
Dock finns det väl någon analys/metdod som fungerar annars skulle det väl inte finnas både self-made och avlönade trejders tänker jag.
Det låter som att du gjorde jobbet, men tråkigt att du inte fick bättre prediktivt värde. Kanske tåls att fundera på vilka av dina historiska variabler som faktiskt gav användbar information till modellen, och huruvida dom verkligen är oberoende Som input till analys/metod så har läst någonstans att man brukar använda olika typer av monte-carlo simuleringar för att förutse sannolikheten för olika rörelser på börsen, och det hävdades att detta var framgångsrikt. Intuitivt låter det sannolikt att så också är fallet.
Det kan finnas "tekniska" metoder som fungerar, åtminstone tillfälligt, men som du är inne på finns inget facit och vissa metoder som blir populära kan ju då sluta vara effektiva om ett stort kollektiv börjar följa dem eller så att säga springa före.
De flesta traders av den sorten försvinner bort från spelet efter ett tag, och man hör aldrig talas om de som misslyckas. Sen kommer ju en handfull av ren slump att lyckas fantastiskt bra och få massa exponering. Helt naturligt.
Problemet är väl att framtiden sällan utspelar sig som historien. Allt machine-learning är i grunden är curve-fitting. Och alla modeller utgår från att framtiden utspelar sig som enligt det som hände tidigare. Det fungerar väl relativt bra för typ väder och liknande som är "trögt" eller hur man vill kalla det och inte helt plötsligt, utan någon anledning omkullkastas vilket helt invaliderar modellen.
OT. Då har BRÅ till slut reviderat sina gamla påståenden om att det inte varit högre dödligt våld/kriminalitet i samhället mot för några år sedan. Det var väl ca 2 år sen som statistiken inte talade för högre kvoter. Nu visar det helt annat sedan 2013 och om man jämför med alla andra europeiska länder. Mycket märkligt!
Men BRÅ ljuger ju har jag fått lära mig av svärjisarna. Så då kan ju inte deras nya rapport stämma, eller?
Svärjisar eller inte. Men nar alla ser att någonting är tvärtom vad experterna säger så kanske inte expertisen har rätt jämt.
Så expertisen har alltså fel? Eller har BRÅ bara rätt när det passar din agenda?
Ingen aning. Tydligtvis hade dom fel för 2 år sedan när dom påstod annat än idag.
Så när de ändrar sig hade de fel idag?
Eller tvärtom!