<?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>arima &#8212; &gt; Machine Learning Guru|</title>
	<atom:link href="https://mlgu.ru/tag/arima/feed/" rel="self" type="application/rss+xml" />
	<link>https://mlgu.ru</link>
	<description></description>
	<lastBuildDate>Fri, 20 Mar 2026 19:21:51 +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>arima &#8212; &gt; Machine Learning Guru|</title>
	<link>https://mlgu.ru</link>
	<width>32</width>
	<height>32</height>
</image> 
	<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>Долгосрочное прогнозирование динамики облигаций с помощью ансамбля статистических моделей</title>
		<link>https://mlgu.ru/6354/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Mon, 17 Nov 2025 18:14:46 +0000</pubDate>
				<category><![CDATA[Классический ML]]></category>
		<category><![CDATA[arima]]></category>
		<category><![CDATA[statsforecast]]></category>
		<category><![CDATA[time series]]></category>
		<category><![CDATA[прогнозирование]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=6354</guid>

					<description><![CDATA[Долгосрочное прогнозирование динамики облигаций — одна из самых сложных задач финансовой аналитики. На горизонтах в 12 месяцев и более даже относительно стабильные рынки перестают вести себя «гладко»: усиливается влияние макроэкономических факторов, процентных ставок, медленных структурных сдвигов и поведенческих эффектов, что приводит к асимметричным реакциям на риски. В таких условиях многие модели машинного обучения формируют смещенные [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Statsmodels: анализ финансовых временных рядов</title>
		<link>https://mlgu.ru/2257/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Fri, 16 May 2025 05:45:09 +0000</pubDate>
				<category><![CDATA[Анализ данных]]></category>
		<category><![CDATA[arima]]></category>
		<category><![CDATA[statsmodels]]></category>
		<category><![CDATA[временные ряды]]></category>
		<category><![CDATA[математическое моделирование]]></category>
		<category><![CDATA[стат анализ]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=2257</guid>

					<description><![CDATA[Библиотека Statsmodels предоставляет широкий спектр инструментов для работы с временными рядами, от базовых методов анализа до продвинутых эконометрических моделей. Она полезна не только для академических исследований, но и для практического применения в трейдинге, риск-менеджменте и финансовом планировании. Что такое Statsmodels? Statsmodels — это Python-библиотека, предоставляющая классы и функции для оценки различных статистических моделей, проведения статистических [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Оптимизация продаж в екоме с помощью ИИ и машинного обучения</title>
		<link>https://mlgu.ru/170/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Tue, 10 Sep 2024 20:22:03 +0000</pubDate>
				<category><![CDATA[Классический ML]]></category>
		<category><![CDATA[arima]]></category>
		<category><![CDATA[big data]]></category>
		<category><![CDATA[e-commerce]]></category>
		<category><![CDATA[knn]]></category>
		<category><![CDATA[lstm]]></category>
		<category><![CDATA[random forest]]></category>
		<category><![CDATA[интернет-реклама]]></category>
		<category><![CDATA[машинное обучение]]></category>
		<category><![CDATA[предиктивная аналитика]]></category>
		<category><![CDATA[прогнозирование]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=170</guid>

					<description><![CDATA[Индустрия екома (e-commerce, онлайн-торговли) одной из первых адаптировалась к внедрению сложных digital технологий в свои процессы. Именно поэтому она стала одной из самых быстрорастущих отраслей экономики в последние годы. Секрет в том, что руководство еком площадок не только существенно улучшило логистику и рекламу в последние годы, но и переосмыслило свою систему продаж, оптимизировало ее, плюс [&#8230;]]]></description>
		
		
		
			</item>
	</channel>
</rss>
