<?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>корреляции &#8212; &gt; Machine Learning Guru|</title>
	<atom:link href="https://mlgu.ru/tag/correlations/feed/" rel="self" type="application/rss+xml" />
	<link>https://mlgu.ru</link>
	<description></description>
	<lastBuildDate>Mon, 15 Dec 2025 17:42:28 +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>корреляции &#8212; &gt; Machine Learning Guru|</title>
	<link>https://mlgu.ru</link>
	<width>32</width>
	<height>32</height>
</image> 
	<item>
		<title>Продвинутые статистические тесты в Python: причинность, бустрэп и непараметрические методы</title>
		<link>https://mlgu.ru/6847/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Mon, 15 Dec 2025 17:19:51 +0000</pubDate>
				<category><![CDATA[Анализ данных]]></category>
		<category><![CDATA[bootstraping]]></category>
		<category><![CDATA[statsmodels]]></category>
		<category><![CDATA[бэктестинг]]></category>
		<category><![CDATA[корреляции]]></category>
		<category><![CDATA[стат анализ]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=6847</guid>

					<description><![CDATA[Стандартные статистические тесты опираются на строгие допущения. Они предполагают нормальное распределение данных, независимость наблюдений и линейные связи между переменными. Финансовые данные этим требованиям обычно не соответствуют. Доходности активов имеют тяжелые хвосты распределений. Волатильность склонна группироваться во времени. Связи между финансовыми инструментами часто нелинейны и тоже меняются со временем. Продвинутые статистические методы решают задачи, с которыми [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Собственные числа и собственные векторы в финансах: разложения PCA и SVD</title>
		<link>https://mlgu.ru/6756/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Tue, 02 Dec 2025 09:31:38 +0000</pubDate>
				<category><![CDATA[Анализ данных]]></category>
		<category><![CDATA[pca]]></category>
		<category><![CDATA[временные ряды]]></category>
		<category><![CDATA[корреляции]]></category>
		<category><![CDATA[управление рисками]]></category>
		<category><![CDATA[факторный анализ]]></category>
		<category><![CDATA[хеджирование]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=6756</guid>

					<description><![CDATA[Анализ главных компонент (PCA) — один из популярных способов изучения взаимосвязей между доходностями активов и их оценке в финансовом анализе. Метод основан на разложении ковариационной матрицы доходностей: собственные векторы определяют направления факторов, а собственные числа показывают, сколько дисперсии объясняет каждый фактор. PCA позволяет выделить доминирующие источники совместной изменчивости и отделить систематический риск от несистематического. Практическое [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Портфель максимальной диверсификации (Maximum Diversification Portfolio)</title>
		<link>https://mlgu.ru/6651/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Thu, 27 Nov 2025 11:15:38 +0000</pubDate>
				<category><![CDATA[Анализ данных]]></category>
		<category><![CDATA[волатильность]]></category>
		<category><![CDATA[корреляции]]></category>
		<category><![CDATA[оптимизация портфеля]]></category>
		<category><![CDATA[управление рисками]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=6651</guid>

					<description><![CDATA[Портфель максимальной диверсификации (Maximum Diversification Portfolio) представляет альтернативу классическим подходам к формированию инвестиционных портфелей. В отличие от метода Марковица, который требует оценки ожидаемой доходности активов, максимальная диверсификация фокусируется исключительно на структуре риска. Метод строится на максимизации диверсификационного коэффициента — отношения взвешенной волатильности отдельных активов к волатильности портфеля. Подход особенно востребован институциональными инвесторами, поскольку устраняет необходимость [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Матрица ковариаций: проблемы выборочной оценки</title>
		<link>https://mlgu.ru/6601/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Mon, 24 Nov 2025 20:53:54 +0000</pubDate>
				<category><![CDATA[Анализ данных]]></category>
		<category><![CDATA[pca]]></category>
		<category><![CDATA[корреляции]]></category>
		<category><![CDATA[оптимизация портфеля]]></category>
		<category><![CDATA[факторный анализ]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=6601</guid>

					<description><![CDATA[Матрица ковариаций занимает центральное место в портфельной оптимизации, риск-менеджменте и построении торговых стратегий. Оценка этой матрицы по историческим данным кажется тривиальной задачей, но на практике приводит к серьезным проблемам. Выборочная оценка работает корректно только при выполнении жестких условий: Большой объем данных относительно числа активов; Стационарность процессов; Отсутствие выбросов. В реальности эти условия нарушаются систематически. Основная [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Регуляризация: L1 (Lasso) vs L2 (Ridge). Борьба с переобучением, отбор признаков</title>
		<link>https://mlgu.ru/6120/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Sun, 09 Nov 2025 09:07:58 +0000</pubDate>
				<category><![CDATA[Классический ML]]></category>
		<category><![CDATA[feature engineering]]></category>
		<category><![CDATA[корреляции]]></category>
		<category><![CDATA[обучение моделей]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=6120</guid>

					<description><![CDATA[Переобучение остается одной из центральных проблем в машинном обучении. Модель запоминает шум в обучающей выборке вместо выявления истинных закономерностей, что приводит к деградации качества на новых данных. Регуляризация решает эту проблему через добавление штрафа на сложность модели в целевую функцию. Два основных подхода — L1 (Lasso) и L2 (Ridge) — различаются не только математически, но [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Жадные алгоритмы: базовые принципы и их применение в количественном анализе</title>
		<link>https://mlgu.ru/5649/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Sat, 25 Oct 2025 10:07:11 +0000</pubDate>
				<category><![CDATA[Анализ данных]]></category>
		<category><![CDATA[feature engineering]]></category>
		<category><![CDATA[sklearn]]></category>
		<category><![CDATA[квантитативный анализ]]></category>
		<category><![CDATA[корреляции]]></category>
		<category><![CDATA[оптимизация портфеля]]></category>
		<category><![CDATA[хеджирование]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=5649</guid>

					<description><![CDATA[Жадные алгоритмы представляют класс методов оптимизации, которые принимают локально оптимальные решения на каждом шаге без пересмотра предыдущих выборов. В количественном анализе такой подход находит применение в задачах отбора активов, оптимизации исполнения ордеров и построения предиктивных моделей. Эффективность жадных алгоритмов обусловлена низкой вычислительной сложностью — большинство реализаций работают за O(n log n) или O(n²), что позволяет [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Копулы в финансовом моделировании: зависимости между случайными величинами</title>
		<link>https://mlgu.ru/5060/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Wed, 08 Oct 2025 10:54:29 +0000</pubDate>
				<category><![CDATA[Анализ данных]]></category>
		<category><![CDATA[вероятностные модели]]></category>
		<category><![CDATA[корреляции]]></category>
		<category><![CDATA[моделирование риска]]></category>
		<category><![CDATA[оптимизация портфеля]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=5060</guid>

					<description><![CDATA[Копулы — это мощный инструмент в финансовом моделировании, позволяющий описывать сложные зависимости между активами, которые выходят далеко за рамки линейной корреляции. Использование корреляций (в частности Пирсона), несомненно, остаются базой в портфельных моделях, но это адекватно лишь при эллиптических распределениях и линейных связях. В реальности же рынки редко подчиняются этим упрощенным предположениям, что приводит к недооценке [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Марковские цепи Монте-Карло (Markov Chain Monte-Carlo, MCMC)</title>
		<link>https://mlgu.ru/3222/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Sat, 05 Jul 2025 08:04:15 +0000</pubDate>
				<category><![CDATA[Классический ML]]></category>
		<category><![CDATA[markov-chains]]></category>
		<category><![CDATA[pymc]]></category>
		<category><![CDATA[sklearn]]></category>
		<category><![CDATA[байесовские модели]]></category>
		<category><![CDATA[корреляции]]></category>
		<category><![CDATA[оптимизация портфеля]]></category>
		<category><![CDATA[расчет доходности]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=3222</guid>

					<description><![CDATA[MCMC представляет собой семейство алгоритмов, которые позволяют генерировать выборки из сложных вероятностных распределений, которые не имеют аналитического решения, либо оно сложно реализуемо. В основе этих методов лежит элегантное сочетание теории Марковских цепей и принципов Монте-Карло, что позволяет исследовать высокоразмерные пространства параметров с удивительной эффективностью. В этой статье мы погрузимся в мир методов MCMC, теорию и [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Автокорреляция (ACF) и частичная автокорреляция (PACF) в биржевом анализе</title>
		<link>https://mlgu.ru/2749/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Thu, 12 Jun 2025 09:00:43 +0000</pubDate>
				<category><![CDATA[Анализ данных]]></category>
		<category><![CDATA[биржевая аналитика]]></category>
		<category><![CDATA[временные ряды]]></category>
		<category><![CDATA[корреляции]]></category>
		<category><![CDATA[поиск закономерностей]]></category>
		<category><![CDATA[финансовый анализ]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=2749</guid>

					<description><![CDATA[Автокорреляция (ACF) и частичная автокорреляция (PACF) являются мощными инструментами для выявления скрытых паттернов в ценовых рядах. Многие трейдеры и аналитики ограничиваются поверхностным применением этих концепций, используя их лишь для идентификации параметров ARIMA-моделей. Однако реальная сила ACF и PACF раскрывается при их правильном применении в контексте разработки торговых алгоритмов и риск-менеджмента. В этой статье я поделюсь [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Корреляция и ковариация в финансах: анализ взаимосвязи между активами</title>
		<link>https://mlgu.ru/2126/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Sun, 11 May 2025 07:59:57 +0000</pubDate>
				<category><![CDATA[Анализ данных]]></category>
		<category><![CDATA[garch]]></category>
		<category><![CDATA[корреляции]]></category>
		<category><![CDATA[оптимизация портфеля]]></category>
		<category><![CDATA[управление рисками]]></category>
		<category><![CDATA[финансовый анализ]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=2126</guid>

					<description><![CDATA[Ковариация и корреляция — это статистические метрики, которые измеряют степень совместного изменения двух случайных величин. В контексте финансов эти величины чаще всего представляют собой доходности активов. Хотя эти концепции тесно связаны, между ними существуют важные различия, которые необходимо понимать для правильного применения в финансовом анализе. Ковариация является мерой того, насколько два случайных изменения доходности активов [&#8230;]]]></description>
		
		
		
			</item>
	</channel>
</rss>
