Modelarea globală cu ML automat: Impactul unei mari facturi frumoase asupra tehnologiei mari

Analiștii Morgan Stanley consideră că One Big Beautiful Bill va fi un element pentru Big Tech, deoarece va oferi un aflux de numerar pentru AI Giants, îmbunătățindu -și astfel dominanța în viitoarele competiții AI.

Dar tarifele de 1 august ale lui Trump, care compensează reducerile de impozite din proiectul de lege menționat anterior, păreau să nu beneficieze de firmele tehnologice, potrivit graficului de mai jos. Google și Meta arată a fi rezistente în comparație cu Amazon, probabil veniturile lor publicitare.

Cod sursă:

library(tidymodels)
library(tidyverse)
library(tidyquant)
library(timetk)
library(modeltime.h2o)

#Amazon
df_amazon <- 
  tq_get("AMZN") %>% 
  select(date, Amazon = close)

#META
df_meta <- 
  tq_get("META") %>% 
  select(date, META = close)

#Google
df_google <- 
  tq_get("GOOGL") %>% 
  select(date, Google = close)

#Merging the datsets
df_merged <- 
  df_amazon %>% 
  left_join(df_meta) %>% 
  left_join(df_google) %>% 
  drop_na() %>% 
  filter(date >= last(date) - months(12)) %>% 
  pivot_longer(-date,
               names_to = "id",
               values_to = "value") %>% 
  mutate(id = as_factor(id)) 
  
  
#Train/Test Splitting
splits <- 
  df_merged %>% 
  time_series_split(
    assess     = "15 days", 
    cumulative = TRUE
  )


#Recipe
recipe_spec <- 
  recipe(value ~ ., data = training(splits)) %>%
  step_timeseries_signature(date) 

train_tbl <- training(splits) %>% bake(prep(recipe_spec), .)
test_tbl  <- testing(splits) %>% bake(prep(recipe_spec), .)


#Initialize H2O
h2o.init(
  nthreads = -1,
  ip       = 'localhost',
  port     = 54321
)



#Model specificatiom and fitting
model_spec <- automl_reg(mode = 'regression') %>%
  set_engine(
    engine                     = 'h2o',
    max_runtime_secs           = 5, 
    max_runtime_secs_per_model = 3,
    max_models                 = 3,
    nfolds                     = 5,
    exclude_algos              = c("DeepLearning"),
    verbosity                  = NULL,
    seed                       = 98765
  ) 


model_fitted <- 
  model_spec %>%
  fit(value ~ ., data = train_tbl)

#Modeltime Table
model_tbl <- 
  modeltime_table(
  model_fitted
  )




#Calibrate by ID
calib_tbl <- 
  model_tbl %>%
  modeltime_calibrate(
    new_data = test_tbl, 
    id       = "id"
  )

#Measure Test Accuracy

#Global Accuracy
calib_tbl %>% 
  modeltime_accuracy(acc_by_id = FALSE) %>% 
  table_modeltime_accuracy(.interactive = FALSE)

#Local Accuracy
calib_tbl %>% 
  modeltime_accuracy(acc_by_id = TRUE) %>% 
  table_modeltime_accuracy(.interactive = TRUE)



#Prediction Intervals
calib_tbl %>%
  modeltime_forecast(
    new_data    = test_tbl,
    actual_data = df_merged %>% filter(date >= as.Date("2025-07-18")),
    conf_by_id  = TRUE
  ) %>%
  group_by(id) %>%
  plot_modeltime_forecast(
    .facet_ncol  = 2,
    .interactive = FALSE,
    .line_size = 1
  )  +
  labs(title = "Global Modeling with Automated ML", 
       subtitle = "Predictive Intervals of GBM Model", 
       y = "", x = "") + 
  scale_y_continuous(labels = scales::label_currency()) +
  scale_x_date(labels = scales::label_date("%b %d"),
               date_breaks = "4 days") +
  theme_tq(base_family = "Roboto Slab", base_size = 16) +
  theme(plot.subtitle = ggtext::element_markdown(face = "bold"),
        plot.title = element_text(face = "bold"),
        strip.text = element_text(face = "bold"),
        #axis.text.x = element_text(angle = 60, hjust = 1, vjust = 1),
        legend.position = "none")