<?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>стат анализ &#8212; &gt; Machine Learning Guru|</title>
	<atom:link href="https://mlgu.ru/tag/stat-analysis/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>стат анализ &#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>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>Автоматизация заполнения пропусков на основе сравнения 14 методов</title>
		<link>https://mlgu.ru/6784/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Wed, 03 Dec 2025 23:14:34 +0000</pubDate>
				<category><![CDATA[Анализ данных]]></category>
		<category><![CDATA[бэктестинг]]></category>
		<category><![CDATA[временные ряды]]></category>
		<category><![CDATA[стат анализ]]></category>
		<category><![CDATA[финансовый анализ]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=6784</guid>

					<description><![CDATA[Пропуски в данных или NaN — это одна из самых частых проблем, с которой сталкиваются аналитики. И мало эти пропуски найти, важно еще правильно поработать с ними. Библиотека pandas предлагает множество методов замены пропусков, но на практике нередко возникает другой вопрос: а какой метод лучше выбрать, чтобы не исказить данные и сохранить их изначальный смысл [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Библиотека SciPy: оптимизация, статистика и численные методы в Python</title>
		<link>https://mlgu.ru/6572/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Mon, 24 Nov 2025 11:22:20 +0000</pubDate>
				<category><![CDATA[Анализ данных]]></category>
		<category><![CDATA[scipy]]></category>
		<category><![CDATA[математическое моделирование]]></category>
		<category><![CDATA[сплайны]]></category>
		<category><![CDATA[стат анализ]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=6572</guid>

					<description><![CDATA[SciPy представляет собой фундаментальную библиотеку для научных и инженерных вычислений в Python. Она расширяет возможности NumPy, добавляя алгоритмы оптимизации, статистического анализа, обработки сигналов и численных методов. В отличие от базовых операций с массивами, SciPy предоставляет готовые решения для сложных математических задач: от поиска экстремумов функций до проверки статистических гипотез. Для специалистов в области финансового и [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Тест Чоу (Chow Test) для определения структурных сдвигов временных рядов</title>
		<link>https://mlgu.ru/6404/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Wed, 19 Nov 2025 22:11:12 +0000</pubDate>
				<category><![CDATA[Анализ данных]]></category>
		<category><![CDATA[statsmodels]]></category>
		<category><![CDATA[стат анализ]]></category>
		<category><![CDATA[эконометрические модели]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=6404</guid>

					<description><![CDATA[Финансовые временные ряды почти всегда содержат структурные сдвиги — моменты, когда рынок меняет поведение. В такие моменты стандартные модели перестают быть устойчивыми: коэффициенты регрессии перестают сохранять свои значения на разных участках ряда, изменяются направления и силы связей между переменными, а сами уравнения, хорошо описывающие данные до разрыва, уже не отражают поведение ряда после него. В [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Виды статистических распределений в финансах: их интерпретация и применение</title>
		<link>https://mlgu.ru/5382/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Mon, 20 Oct 2025 11:15:37 +0000</pubDate>
				<category><![CDATA[Анализ данных]]></category>
		<category><![CDATA[scipy]]></category>
		<category><![CDATA[стат анализ]]></category>
		<category><![CDATA[финансовый анализ]]></category>
		<category><![CDATA[эконометрические модели]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=5382</guid>

					<description><![CDATA[Статистические распределения формируют математический фундамент финансового анализа. Выбор адекватной модели распределения влияет на точность оценки рисков, корректность ценообразования активов и надежность прогнозных моделей. Понимание свойств различных распределений позволяет избежать систематических ошибок при принятии инвестиционных решений. Нормальное распределение: базовая модель и ее ограничения Нормальное (гауссово) распределение &#8212; наиболее популярное в финансовом моделировании. Распределение задается двумя параметрами: [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Тестирование статистических гипотез с помощью Python</title>
		<link>https://mlgu.ru/4993/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Mon, 06 Oct 2025 14:21:25 +0000</pubDate>
				<category><![CDATA[Анализ данных]]></category>
		<category><![CDATA[scipy]]></category>
		<category><![CDATA[statsmodels]]></category>
		<category><![CDATA[вероятностные модели]]></category>
		<category><![CDATA[стат анализ]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=4993</guid>

					<description><![CDATA[Статистические тесты позволяют принимать обоснованные решения на основе данных. В финансовом анализе, исследованиях и разработке моделей машинного обучения проверка гипотез определяет валидность предположений о данных, выявляет значимые различия между группами и подтверждает применимость математических методов. Python предоставляет инструменты для реализации статистических тестов через библиотеки scipy, statsmodels и numpy. Правильное применение этих методов снижает риск ошибочных [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Расширенные методы тестирования стационарности рядов: тесты KPSS, Phillips-Perron и другие</title>
		<link>https://mlgu.ru/4490/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Wed, 10 Sep 2025 15:39:39 +0000</pubDate>
				<category><![CDATA[Анализ данных]]></category>
		<category><![CDATA[scipy]]></category>
		<category><![CDATA[statsmodels]]></category>
		<category><![CDATA[временные ряды]]></category>
		<category><![CDATA[стат анализ]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=4490</guid>

					<description><![CDATA[Стационарность временного ряда означает постоянство его статистических свойств во времени. Это не академическая абстракция — от корректного определения стационарности зависит выбор модели прогнозирования, риск-менеджмент и конечная прибыльность стратегии. Нестационарные ряды могут привести к ложным корреляциям, переобучению моделей и катастрофическим потерям в реальной торговле. Проблемы классического теста Дики-Фуллера Расширенный тест Дики-Фуллера (ADF) стал стандартом де-факто для [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Доверительная вероятность и уровень значимости в финансовом Data Science</title>
		<link>https://mlgu.ru/3565/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Sat, 19 Jul 2025 09:45:29 +0000</pubDate>
				<category><![CDATA[Классический ML]]></category>
		<category><![CDATA[pymc]]></category>
		<category><![CDATA[scipy]]></category>
		<category><![CDATA[sklearn]]></category>
		<category><![CDATA[statsmodels]]></category>
		<category><![CDATA[бэктестинг]]></category>
		<category><![CDATA[вероятностные модели]]></category>
		<category><![CDATA[стат анализ]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=3565</guid>

					<description><![CDATA[В мире Data Science принятие решений на основе данных требует не только вычислений, но и грамотной интерпретации статистических результатов. Одними из ключевых понятий при проверке гипотез являются доверительная вероятность (confidence level) и уровень значимости (significance level). Эти параметры помогают нам определить, насколько можно доверять полученным выводам и где пролегает граница между случайным совпадением и статистически [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Преобразование Бокса-Кокса и ADF тест (Дики-Фуллера)</title>
		<link>https://mlgu.ru/3548/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Sat, 19 Jul 2025 07:46:42 +0000</pubDate>
				<category><![CDATA[Анализ данных]]></category>
		<category><![CDATA[временные ряды]]></category>
		<category><![CDATA[стат анализ]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=3548</guid>

					<description><![CDATA[В мире количественного анализа существуют инструменты, которые на первый взгляд кажутся просто академическими упражнениями, однако при внедрении оказываются фундаментальными строительными блоками серьезной аналитики. Преобразование Бокса-Кокса и расширенный тест Дики-Фуллера (ADF) относятся именно к такой категории методов. Многие аналитики используют эти методы поверхностно, применяя их как &#171;черные ящики&#187; без понимания внутренней механики и ограничений. Такой подход [&#8230;]]]></description>
		
		
		
			</item>
	</channel>
</rss>
