-
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…
-
Эконометрика в биржевой аналитике: современные подходы и методы
В мире финансов и инвестиций борьба за информационное преимущество не останавливается никогда, подходы к анализу рыночных данных постоянно меняются. В данной статье я хочу поделиться наиболее перспективными эконометрическими методами в биржевой аналитике. Мы рассмотрим инструменты, которые используются в ведущих хедж-фондах и инвестиционных компаниях. Эконометрика как фундамент количественного анализа рынков Эконометрика представляет собой науку, находящуюся на…
-
Что такое регрессионный анализ и как он работает?
Регрессионный анализ представляет собой статистический метод, позволяющий выявить и количественно описать связь между зависимой переменной и одной или несколькими независимыми переменными. Это универсальный инструмент для моделирования и анализа данных, который помогает нам понять, как изменения в одних факторах влияют на другие. В этой статье я детально рассмотрю, что такое регрессионный анализ, как он работает, какие…
-
Сезонность временных рядов. В чем отличие аддитивной от мультипликативной?
Сезонность — это регулярно повторяющиеся паттерны в данных, которые происходят с фиксированной периодичностью. Работая с разнообразными временными рядами, я неоднократно наблюдал эти циклические колебания в самых разных областях: от розничных продаж и туристических потоков до энергопотребления и финансовых показателей. Природа и причины сезонности Сезонные колебания возникают по множеству причин, часто связанных с естественными циклами или…
-
Стационарность временных рядов. Как анализировать нестационарные данные?
Работая с временными рядами в течение многих лет, я неизменно сталкиваюсь с фундаментальным вопросом стационарности данных. Стационарность — это не просто теоретическое понятие, а критически важное свойство, определяющее применимость большинства методов анализа и прогнозирования. Когда временной ряд стационарен, его статистические свойства не меняются со временем — это означает постоянство среднего значения, дисперсии и ковариационной структуры.…
-
Оптимизация цепочек поставок с помощью машинного обучения
Управление современными цепочками поставок — это чрезвычайно сложная задача, которая требует постоянного балансирования между множеством взаимосвязанных факторов. Как эксперт в области анализа данных, я убежден, что применение передовых методов искусственного интеллекта способно радикально преобразить этот процесс, сделав его более эффективным, гибким и устойчивым к различным нарушениям. В этой статье я подробно расскажу, как использование алгоритмов…
-
Прогнозирование трафика и конверсий сайта с помощью Catboost
За последние годы я реализовал множество проектов по прогнозированию метрик веб-сайтов, и могу с уверенностью сказать, что алгоритм CatBoost от Яндекса произвел настоящую революцию в этой области. В данной статье я поделюсь своим опытом использования CatBoost для создания точных прогнозов трафика и конверсий, а также расскажу о тонкостях работы с этим инструментом на реальных данных…
-
Прогнозирование временных рядов с помощью ARIMA, SARIMA, ARFIMA
В мире анализа данных и машинного обучения прогнозирование временных рядов остается одной из самых востребованных и сложных задач. За годы работы с различными проектами в области Data Science я неоднократно сталкивался с необходимостью построения точных прогнозов на основе исторических данных. В этой статье я поделюсь своим опытом использования классических моделей прогнозирования ARIMA, SARIMA и ARFIMA,…
-
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…