详细内容或原文请订阅后点击阅览
12 月 23 日 - Chat GPT 4 实际应用，讨论欧元区通胀
今年的圣诞倒数日历项目主要在 ChatGPT 3.5 和 DALL E2 上完成。我最近才获得 GPT 4.0 的使用权，它的功能强大无比，尤其是它能够响应实时事件（它是在当前数据上训练的），从而创建更详细、更逼真的图片，并且正如我将在此处展示的那样，能够分析数据。因此，我想我将围绕这个条目展开讨论，并展示一个我使用 GPT 4.0 进行的一些实证和统计经济分析的示例。第一步是创建我自己的 GPT，针对以 excel 或 CSV 格式上传的数据进行时间序列分析。这并没有花很长时间，尽管我不清楚我的小 GPT 是否比通用的“数据分析”GPT 更好，但随着时间的推移，理论上它应该会变得更擅长我感兴趣的任务。
来源:Alpha SourcesGPT 迅速识别出该序列在统计上是平稳的，并报告了 ADF 测试的结果，并且还正确地识别出这些数据具有很强的季节性成分，并指出：
鉴于该序列的平稳性质和从分解中获得的见解，我们可以考虑 ARIMA（自回归综合移动平均线）或其变体等模型。ARIMA 适用于非季节性数据，而 SARIMA（季节性 ARIMA）是处理季节性的扩展。
鉴于该序列的平稳性质和从分解中获得的见解，我们可以考虑 ARIMA（自回归综合移动平均线）或其变体等模型。ARIMA 适用于非季节性数据，而 SARIMA（季节性 ARIMA）是处理季节性的扩展。鉴于数据显示了一定程度的季节性，SARIMA 模型可能是一个不错的选择。 SARIMA 模型由参数 (p, d, q)(P, D, Q)s 指定，其中：
假设数据显示出一定程度的季节性，SARIMA 模型可能是一个不错的选择。SARIMA 模型由参数 (p, d, q)(P, D, Q)s 指定，其中：- p 和季节性 P 是自回归项。d 和季节性 D 是差分阶数。q 和季节性 Q 是移动平均项。s 是季节性周期。
p 和季节性 P 是自回归项。
p 和季节性 P 是自回归项。d 和季节性 D 是差分阶数。
d 和季节性 D 是差分阶数。q 和季节性 Q 是移动平均项。
q 和季节性 Q 是移动平均项。s 是季节性周期。
s 是季节性周期。然后 GPT 建议如下；
- 确定 SARIMA 模型的最佳参数。 将模型与数据拟合。 验证模型，例如，使用时间序列交叉验证。 预测未来值。