-
Основы MLOps: как развернуть ML-модель в production
В последние годы MLOps стал неотъемлемой частью жизненного цикла машинного обучения. Если раньше работа дата-сайентиста заканчивалась на этапе обучения модели, то сегодня ключевая задача — обеспечить стабильное и масштабируемое развертывание модели в production. MLOps объединяет подходы DevOps и машинного обучения, помогая автоматизировать процесс от подготовки данных и обучения до мониторинга и обновления моделей. Это позволяет…
-
LSTM для прогнозирования волатильности: многослойные архитектуры и sequence-to-sequence подходы
В течение последних нескольких лет работы с временными рядами финансовых данных я неоднократно сталкивался с проблемой прогнозирования волатильности. Классические GARCH модели и их вариации показывают ограниченную эффективность при краткосрочных и intraday-стратегиях, особенно когда рынок демонстрирует резкие структурные сдвиги. Сегодня хочу поделиться своими наблюдениями о применении LSTM архитектур для решения этой задачи — от базовых многослойных…
-
Нейросети для прогнозирования последовательных данных
В мире, где объемы данных растут экспоненциально, способность точно прогнозировать будущие значения становится не просто конкурентным преимуществом, а необходимостью. Для решения этой задачи все больше компаний внедряют машинное обучение. И самым передовым подходом машинного обучения являются нейронные сети. Нейросети сегодня применяются для разного круга задач: детекция изображений, генерация текста и изображений, саммаризация и т. д.…
-
Что такое градиентный спуск и как он используется для оптимизации функций?
Градиентный спуск — это не просто метод оптимизации. Это философия поиска оптимума, основанная на понимании локальной геометрии функции потерь. Алгоритм этого метода довольно прост: движение в направлении, противоположном градиенту, с целью прийти к минимуму. Однако за этой простотой скрывается удивительная глубина, которую я постараюсь раскрыть в этой статье. Математические основы: геометрия оптимизации Прежде чем погружаться…
-
Foundation-модели для временных рядов
В последние годы я наблюдаю значительный прогресс исследований в области анализа временных рядов. В том числе в ML-моделях. То, что раньше требовало месяцев кропотливой работы, связанной с генерацией признаков и тонкой настройки специализированных моделей, теперь может быть решено с помощью Foundation-моделей буквально за несколько часов. Эта технология не просто улучшает точность прогнозов — она полностью…
-
PatchTST: Трансформер для прогнозирования временных рядов
За последние годы область прогнозирования временных рядов сделала ощутимый скачок вперед благодаря внедрению архитектур трансформеров. Если раньше в этой области полновластно доминировали бустинги, рекуррентные нейронные сети и классические статистические методы, то сегодня мы наблюдаем настоящий прорыв в точности и эффективности нейросетевых моделей. Одной из наиболее значимых инноваций стала архитектура PatchTST, которая не просто адаптировала трансформеры…
-
Вероятностные модели для прогнозирования цен биржевых активов
В этой статье я хочу поделиться своим подходом к использованию вероятностных моделей для прогнозирования цен активов. Мы разберем, почему традиционные методы часто подводят, какие подходы применяют профессионалы в хедж-фондах, и как вы можете использовать Python для реализации таких моделей. Моя цель — создать подробное руководство, которое будет полезно как для профессионалов в области data science,…
-
Тренды временных рядов: Как вычислить их направление и силу?
Выявление тренда временного ряда является must have задачей для любого биржевого аналитика. Однако зачастую это непростая задача — многие временные ряды настолько нелинейны и/или зашумлены, что в них не то что нельзя понять направление и силу тренда, но в принципе невозможно обнаружить какую-либо тенденцию. В этой статье я подробно разберу современные методы выявления трендов, рассмотрю…
-
Продвинутые методы предиктивной аналитики с глубокими нейронными сетями
В современном мире данные стали новой нефтью, а способность предсказывать будущие тенденции на их основе – критически важным конкурентным преимуществом. За последние несколько лет я реализовал десятки проектов в области предиктивной аналитики с использованием глубокого обучения и нейронных сетей, и сегодня хочу поделиться своим опытом и знаниями в этой захватывающей области. Преимущества deep learning в…
-
Прогнозирование временных рядов с помощью N-HITS, N-BEATS
В мире data science и машинного обучения постоянно появляются новые методы и алгоритмы, призванные решать сложные задачи прогнозирования временных рядов. Сегодня я хочу поделиться с вами информацией о двух передовых моделях нейронных сетей для прогнозирования временных рядов: N-HITS и N-BEATS. N-HITS расшифровывается как Neural Hierarchical Interpolation for Time Series, а N-BEATS — Neural Basis Expansion…