Francis Diebold baru-baru ini memposting "ML dan Metrik VI: Perbedaan Utama Antara ML dan Ekonometrika TS" di blog-nya. Saya menyediakan versi singkatnya, jadi semua kredit diberikan kepadanya. (Penekanan dalam huruf tebal adalah milikku.)
[S] pembelajaran mesin tatami (ML) dan time series econometrics (TS) memiliki banyak kesamaan. Tapi ada juga perbedaan yang menarik: Penekanan ML pada pemodelan nonparametrik fleksibel non-linear bersyarat berarti tidak memainkan peran besar dalam TS. <...>
[T] di sini sangat sedikit bukti tentang non-linear bersyarat-rata penting dalam dinamika kovarian-stasioner (tidak tren, tidak musiman) dari sebagian besar rangkaian waktu ekonomi. <...> Memang saya hanya dapat memikirkan satu jenis nonlinier bersyarat-rata bersyarat yang telah muncul berulang kali penting untuk (setidaknya beberapa) seri waktu ekonomi: dinamika Markov-switching Hamilton.
[Tentu saja ada gajah non-linear di ruangan: dinamika tipe GARCH gaya Engle. Mereka sangat penting dalam ekonometrik keuangan, dan kadang-kadang juga dalam makro-ekonometrik, tetapi mereka tentang varian bersyarat, bukan cara bersyarat.]
Jadi pada dasarnya hanya ada dua model non-linear penting dalam TS, dan hanya satu dari mereka yang berbicara tentang dinamika bersyarat-rata. Dan yang terpenting, keduanya sangat parametrik, sangat disesuaikan dengan fitur khusus data ekonomi dan keuangan.
Jadi kesimpulannya adalah:
ML menekankan kira-kira fungsi conditional-mean non-linear dengan cara non-parametrik yang sangat fleksibel. Yang ternyata menjadi dua kali tidak perlu di TS: Hanya ada banyak non-linearitas bersyarat-rata yang perlu dikhawatirkan, dan ketika ada kadang-kadang, itu biasanya bersifat sangat khusus terbaik didekati dengan sangat khusus (ketat parametrik) mode .
Saya sarankan membaca seluruh posting asli di sini .