Maschinelles Lernen (ML) hat ein enormes Potenzial für die Wirtschaftsforschung und ‑praxis, aber nur durch Versuch und Irrtum lässt sich aus einer Vielzahl von Algorithmen und Modellparametern die beste Wahl treffen. Bei Zeitreihenstudien ist es derzeit kein reibungsloser Prozess, in großem Maßstab zu testen, welche Wirtschaftsreihen zur Verbesserung der Modelle hinzugefügt werden könnten. Wirtschaftswissenschaftler, die kausale Querschnittsstudien untersuchen, könnten von der Möglichkeit profitieren, große kausale Datensätze zu simulieren, um zu testen, welche ML-Modelle komplexe, nichtlineare Kausalität erkennen. Eine weitere Herausforderung besteht darin, dass Wirtschaftswissenschaftler im Gegensatz zu anderen Bereichen, in denen ML angewandt wird, in der Regel nicht dazu angehalten werden, ihre Modelle zu dokumentieren oder deren breitere Auswirkungen zu berücksichtigen – ein wichtiger Punkt, wenn ML von einer Reihe von Nutzern im privaten und öffentlichen Sektor verwendet wird.
Beitrag
Ich beschreibe gingado, eine einfach zu verwendende Open-Source-ML-Bibliothek mit fünf Hauptbeiträgen. Erstens hilft sie den Nutzern, automatisch Hunderte von Zeitreihen aus einer Reihe von offiziellen statistischen Quellen zu erfassen. Zweitens bietet sie automatische Benchmark-Modelle auf der Grundlage von Zufallswäldern, die in einer Vielzahl von Fällen gut funktionieren, aber von den Benutzern leicht angepasst werden können. Drittens ermöglicht gingado die flexible Simulation von großen und mehrdimensionalen Paneldaten mit linearen und nichtlinearen Kausalbeziehungen in den datenerzeugenden Prozessen. Viertens erleichtert es die Modelldokumentation auf der Grundlage von ML-Best-Practices, einschließlich ethischer Überlegungen zur Modellverwendung, falls zutreffend. Fünftens bietet es Hilfsprogramme für die Analyse von Zeitreihendaten.
Ergebnisse
Je mehr Wirtschaftswissenschaftler die praktischen Anwendungen von ML erforschen, desto mehr werden sie von einem spezialisierten Werkzeugsatz profitieren, der auf den bestehenden allgemein verwendbaren Bibliotheken aufbaut. gingado soll diese Lücke füllen, indem es eine Reihe von Werkzeugen bereitstellt, die für eine Vielzahl von wirtschaftlichen Anwendungsfällen hilfreich sein können, sowohl unabhängig voneinander als auch in Kombination. Die Bibliothek ist mit weit verbreiteter ML-Software kompatibel, und die Benutzer können sie entweder von der Stange verwenden oder ihre Werkzeuge anpassen. gingado befindet sich in aktiver Entwicklung, so dass neue Funktionen zu erwarten sind.
Quelle: gingado: a machine learning library focused on economics and finance