-
Прогнозирование вероятности дефолта через логистическую регрессию
Прогнозирование вероятности дефолта — одна из ключевых задач в управлении кредитными рисками, которая помогает банкам, инвестиционным компаниям и бизнесу принимать более взвешенные решения. Существует множество инструментов для таких прогнозов, хотя логистическая регрессия — пожалуй, наиболее популярный. Она позволяет на основе набора факторов (например, дохода клиента, кредитной истории, уровня долговой нагрузки) оценить вероятность того, что заемщик…
-
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…
-
Библиотека ETNA в Python для прогнозирования временных рядов
Мне довелось работать с множеством инструментов для анализа временных рядов, и постоянно приходилось комбинировать различные библиотеки, чтобы получить полный цикл работы с временными рядами — от предобработки до бэктестинга, от подбора гиперпараметров до подготовки к деплою. Библиотека ETNA (Easy Time-series Analysis) от команды T-Bank AI Center решает эту проблему элегантно, предоставляя единый интерфейс для всех…
-
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.…
-
Библиотека sktime для анализа временных рядов
Библиотека для Python sktime предлагает унифицированный интерфейс для различных задач обработки временных рядов, включая классификацию, регрессию, кластеризацию, прогнозирование и многое другое. Что делает ее по-настоящему уникальной — это интеграция с экосистемой scikit-learn, что позволяет использовать привычные паттерны и методологии в контексте временных рядов. В этой статье я подробно разберу возможности sktime, продемонстрирую практические примеры использования…
-
MSE, RMSE, MAE, MAPE для оценки качества прогнозов временных рядов
При построении моделей прогнозирования временных рядов, для оценки качества чаще всего используют одну или две из следующих четырех метрик: MSE, RMSE, MAE и MAPE. Каждая из них рассказывает свою историю о модели, и понимание этих нюансов может стать разницей между прибыльной стратегией и потерей капитала. И MSE, RMSE, MAE и MAPE решают одну и ту…
-
Методы аппроксимации временных рядов
Методы аппроксимации призваны уловить закономерности за хаосом движений, а также представить сложные данные в виде простой модели, сохраняя при этом их суть. Между тем, качественная аппроксимация — это не просто подбор кривой, которая «красиво ложится» на исторические данные. Это искусство извлечения сигнала из шума, способность выделить структурные паттерны, которые сохранят свою предсказательную силу в будущем.…
-
Байесовская модель пространственно-временного ряда (Bayesian State-Space Time Series Model)
Когда я впервые столкнулся с байесовскими моделями пространственно-временных рядов в контексте разработки торговых алгоритмов, меня поразила их элегантность и мощь. В отличие от традиционных методов прогнозирования временных рядов, которые часто игнорируют неопределенность или делают слишком жесткие предположения о структуре данных, байесовские state-space модели предоставляют гибкий фреймворк для работы с динамическими системами в условиях неопределенности. Данная…
-
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…