<?xml version="1.0" encoding="UTF-8"?><rss version="2.0"
	xmlns:content="http://purl.org/rss/1.0/modules/content/"
	xmlns:wfw="http://wellformedweb.org/CommentAPI/"
	xmlns:dc="http://purl.org/dc/elements/1.1/"
	xmlns:atom="http://www.w3.org/2005/Atom"
	xmlns:sy="http://purl.org/rss/1.0/modules/syndication/"
	xmlns:slash="http://purl.org/rss/1.0/modules/slash/"
	>

<channel>
	<title>&gt; Machine Learning Guru|</title>
	<atom:link href="https://mlgu.ru/feed/" rel="self" type="application/rss+xml" />
	<link>https://mlgu.ru</link>
	<description></description>
	<lastBuildDate>Sat, 21 Mar 2026 17:23:47 +0000</lastBuildDate>
	<language>ru-RU</language>
	<sy:updatePeriod>
	hourly	</sy:updatePeriod>
	<sy:updateFrequency>
	1	</sy:updateFrequency>
	<generator>https://wordpress.org/?v=6.9.4</generator>

<image>
	<url>https://mlgu.ru/wp-content/uploads/2025/06/mlguru-icon-150x150.png</url>
	<title>&gt; Machine Learning Guru|</title>
	<link>https://mlgu.ru</link>
	<width>32</width>
	<height>32</height>
</image> 
	<item>
		<title>Проскальзывание (slippage) и его влияние на реальные результаты торговли</title>
		<link>https://mlgu.ru/7007/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Sat, 21 Mar 2026 17:16:51 +0000</pubDate>
				<category><![CDATA[Анализ данных]]></category>
		<category><![CDATA[бэктестинг]]></category>
		<category><![CDATA[опционы]]></category>
		<category><![CDATA[торговые стратегии]]></category>
		<category><![CDATA[управление рисками]]></category>
		<category><![CDATA[фьючерсы]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=7007</guid>

					<description><![CDATA[Проскальзывание (slippage) — это разница между ценой, по которой стратегия ожидала исполнения ордера, и ценой, по которой он был исполнен фактически. И это довольно частое явление в трейдинге. В большинстве стратегий проскальзывание &#8212; постоянная составляющая транзакционных издержек, которая систематически снижает доходность. Для высокочастотных стратегий проскальзывание часто превышает комиссию брокера. Для стратегий с большим размером позиции [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Среднее арифметическое прогнозов. В чем магия?</title>
		<link>https://mlgu.ru/6991/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Fri, 20 Mar 2026 20:35:54 +0000</pubDate>
				<category><![CDATA[Классический ML]]></category>
		<category><![CDATA[bagging]]></category>
		<category><![CDATA[stacking]]></category>
		<category><![CDATA[машинное обучение]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=6991</guid>

					<description><![CDATA[В статистике и машинном обучении есть любопытный факт: среднее арифметическое нескольких прогнозов зачастую превосходит прогнозы большинства отдельных моделей — и это воспроизводится на данных из разных областей: от метеорологии до финансов. Этот эффект не интуитивен: кажется, что усреднение хорошей модели с плохой только ухудшит результат. На практике все работает иначе. В этой статье мы разберем [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Байесовский информационный критерий (BIC)</title>
		<link>https://mlgu.ru/6984/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Fri, 20 Mar 2026 19:19:56 +0000</pubDate>
				<category><![CDATA[Классический ML]]></category>
		<category><![CDATA[arima]]></category>
		<category><![CDATA[временные ряды]]></category>
		<category><![CDATA[машинное обучение]]></category>
		<category><![CDATA[стат анализ]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=6984</guid>

					<description><![CDATA[Байесовский информационный критерий (BIC, Bayesian Information Criterion) — метрика для сравнения статистических моделей, балансирующая качество подгонки и сложность модели. Предложен Гидеоном Шварцем в 1978 году, поэтому в литературе встречается также как критерий Шварца (SBC, Schwarz Bayesian Criterion). Критерий BIC решает фундаментальную проблему выбора модели: чем больше параметров, тем лучше модель описывает обучающие данные — но [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Анализ временных рядов с помощью нейросетей: полный обзор подходов</title>
		<link>https://mlgu.ru/6970/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Fri, 20 Mar 2026 11:14:12 +0000</pubDate>
				<category><![CDATA[Нейронные сети]]></category>
		<category><![CDATA[lstm]]></category>
		<category><![CDATA[n-beats]]></category>
		<category><![CDATA[rnn]]></category>
		<category><![CDATA[time series]]></category>
		<category><![CDATA[временные ряды]]></category>
		<category><![CDATA[нейросети]]></category>
		<category><![CDATA[прогнозирование]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=6970</guid>

					<description><![CDATA[Анализ временных рядов — одна из наиболее частых задач, с которой сталкиваются аналитики и дата-саентисты: трафик сайтов, экономические показатели, продажи и спрос, биржевые котировки, потребление электроэнергии, датчики IoT, медицинские сигналы&#8230; Все это временные ряды. Несмотря на то, что эта область очень хорошо изучена, моделирование и прогнозирование временных рядов по-прежнему остается одной из наиболее сложных задач. [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Прогнозирование динамики фьючерсов с XGBoost</title>
		<link>https://mlgu.ru/6954/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Thu, 19 Mar 2026 20:53:35 +0000</pubDate>
				<category><![CDATA[Классический ML]]></category>
		<category><![CDATA[xgboost]]></category>
		<category><![CDATA[машинное обучение]]></category>
		<category><![CDATA[прогнозирование]]></category>
		<category><![CDATA[фьючерсы]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=6954</guid>

					<description><![CDATA[Градиентный бустинг XGBoost занял устойчивое место в арсенале квант-аналитиков не случайно. На табличных данных с нелинейными зависимостями он стабильно превосходит линейные модели, а по скорости обучения и интерпретируемости выигрывает у нейросетей. Фьючерсные данные — именно тот тип данных, где эти преимущества реализуются в полной мере: высокая размерность признаков, нелинейные взаимодействия между ними, шум, превышающий сигнал [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Современные методы STL декомпозиции (STL Decomposition)</title>
		<link>https://mlgu.ru/6944/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Thu, 19 Mar 2026 08:24:08 +0000</pubDate>
				<category><![CDATA[Классический ML]]></category>
		<category><![CDATA[time series]]></category>
		<category><![CDATA[прогнозирование]]></category>
		<category><![CDATA[сплайны]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=6944</guid>

					<description><![CDATA[STL (Seasonal and Trend decomposition using Loess) — один из фундаментальных инструментов анализа временных рядов. Метод разделяет ряд на три компоненты: тренд, сезонность и остаток. Это позволяет анализировать каждую составляющую независимо, строить более точные прогнозы и выделять аномалии. С момента публикации оригинальной работы Cleveland et al. (1990) метод существенно развился. Современные расширения снимают большинство ограничений [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Библиотека Greykite в Python: установка, настройка и практические примеры прогнозирования рядов</title>
		<link>https://mlgu.ru/6928/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Tue, 17 Mar 2026 20:41:58 +0000</pubDate>
				<category><![CDATA[Классический ML]]></category>
		<category><![CDATA[time series]]></category>
		<category><![CDATA[временные ряды]]></category>
		<category><![CDATA[обучение моделей]]></category>
		<category><![CDATA[прогнозирование]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=6928</guid>

					<description><![CDATA[Greykite — библиотека для прогнозирования временных рядов с открытым исходным кодом, разработанная командой LinkedIn и выпущенная в 2021 году. Основу составляет алгоритм Silverkite — быстрая аддитивная модель, построенная на ridge-регрессии с богатым набором фич: тренд, сезонность, праздники, взаимодействия между компонентами. В отличие от большинства библиотек прогнозирования, Greykite дает полный контроль над структурой модели без необходимости [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>VWAP стратегия: расчет, бэктестинг и оценка эффективности</title>
		<link>https://mlgu.ru/6918/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Tue, 17 Mar 2026 05:54:34 +0000</pubDate>
				<category><![CDATA[Анализ данных]]></category>
		<category><![CDATA[алгоритмические стратегии]]></category>
		<category><![CDATA[торговые стратегии]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=6918</guid>

					<description><![CDATA[VWAP (Volume Weighted Average Price) — средневзвешенная по объему цена за период. В отличие от простой скользящей средней, VWAP учитывает не только динамику цены, но и количество контрактов или акций, торгуемых на каждом ценовом уровне. Это делает его значительно более информативным ориентиром для оценки справедливой стоимости актива в течение сессии. Институциональные участники используют VWAP как [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>25 преимуществ частного трейдера перед хедж-фондами</title>
		<link>https://mlgu.ru/6911/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Fri, 06 Mar 2026 12:55:41 +0000</pubDate>
				<category><![CDATA[Анализ данных]]></category>
		<category><![CDATA[алгоритмические стратегии]]></category>
		<category><![CDATA[анализ рынков]]></category>
		<category><![CDATA[маржинальная торговля]]></category>
		<category><![CDATA[торговые стратегии]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=6911</guid>

					<description><![CDATA[Существует устойчивый миф: чтобы зарабатывать на рынках, нужна армия аналитиков, Bloomberg-терминал за $24 000 в год и офис в небоскребе на Манхэттене. Хедж-фонды десятилетиями культивировали этот образ — и небезосновательно. Институциональный капитал обладает реальными преимуществами: доступом к IPO, инфраструктурой, связями с центральными банками. Но у медали есть обратная сторона. Размер — это не только сила, [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Скользящие оконные функции в Pandas</title>
		<link>https://mlgu.ru/6872/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Thu, 25 Dec 2025 11:42:20 +0000</pubDate>
				<category><![CDATA[Анализ данных]]></category>
		<category><![CDATA[feature engineering]]></category>
		<category><![CDATA[matplotlib]]></category>
		<category><![CDATA[pandas]]></category>
		<category><![CDATA[временные ряды]]></category>
		<category><![CDATA[торговые стратегии]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=6872</guid>

					<description><![CDATA[Скользящие оконные функции решают фундаментальную задачу анализа временных рядов: извлечение локальных паттернов из последовательных данных. Метод основан на применении агрегирующих операций к подмножествам наблюдений фиксированного размера, которые последовательно сдвигаются вдоль временной оси. Библиотека Pandas предоставляет три типа окон для работы с временными рядами: rolling &#8212; фиксированный размер; expanding &#8212; растущее от начала; exponentially weighted &#8212; [&#8230;]]]></description>
		
		
		
			</item>
	</channel>
</rss>
