-
Модель ETS для прогнозирования временных рядов
Экспоненциальное сглаживание остается одним из надежных методов прогнозирования временных рядов в количественном анализе. Модель ETS (Error, Trend, Seasonality) представляет формализованную версию этого подхода через представление в пространстве состояний. Метод обеспечивает баланс между простотой реализации и качеством прогнозов для данных с выраженной трендовой и сезонной структурой. ETS работает через рекурсивное обновление компонентов модели: уровня, тренда и…
-
Алгоритмы оценки хеджирующих стратегий
Эффективность хеджирования измеряется не столько доходностью, сколько степенью снижения риска. Портфель может показывать нулевую или отрицательную доходность, но если волатильность снизилась на 70%, хедж работает. Задача алгоритмов оценки — количественно определить, насколько инструмент защиты выполняет свою функцию и оправдывает затраты на его поддержание. Метрики эффективности хеджирования Классические портфельные метрики (коэффициент Шарпа, максимальная просадка) не учитывают…
-
Тестирование статистических гипотез с помощью Python
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…
-
Расширенные методы тестирования стационарности рядов: тесты KPSS, Phillips-Perron и другие
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…
-
Доверительная вероятность и уровень значимости в финансовом Data Science
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…
-
Ad hoc задачи в финансовой аналитике
Ad hoc задачи — это нестандартные, часто разовые аналитические исследования, выполняемые для решения конкретной проблемы или ответа на специфический вопрос. В отличие от регулярных отчетов и стандартизированных аналитических процедур, они требуют индивидуального подхода, творческого мышления и глубокого понимания предметной области. Ad hoc можно перевести с латинского как «для этого», «для данного случая». То есть это…
-
Информационные критерии: AIC (Akaike Information Criterion) и BIC (Bayesian Information Criterion)
Информационные критерии Акаике и BIC часто используют для выбора оптимальной модели машинного обучения. Они помогают сбалансировать точность аппроксимации и сложность модели, предотвращая переобучение и избыточную параметризацию. В отличие от чисто статистических метрик, AIC и BIC учитывают не только качество подгонки модели к данным, но и число используемых параметров, что делает их особенно полезными при сравнении…
-
Сглаживание временных рядов полиномиальными регрессиями. Типы регрессий
Временные ряды реальных биржевых котировок представляют собой настоящий вызов для любого аналитика. Традиционные подходы к сглаживанию таких рядов часто дают посредственные результаты, особенно когда речь идет о нелинейных зависимостях и сложных паттернах поведения активов. Полиномиальные регрессии открывают совершенно иные возможности для понимания структуры данных и выявления скрытых закономерностей, которые ускользают от стандартных методов. Основная проблема…
-
Гомоскедастичность и Гетероскедастичность временных рядов
Гомоскедастичность (homoskedasticity) и гетероскедастичность (heteroskedasticity) представляют собой фундаментальные свойства временных рядов, описывающие характер изменения дисперсии случайной компоненты во времени. Эти концепции напрямую влияют на выбор модели, методы оценки параметров и, что особенно важно для практикующих квант-аналитиков, на качество прогнозов и риск-менеджмент. Теоретические основы гомоскедастичности Гомоскедастичность временного ряда подразумевает постоянство дисперсии случайной компоненты на протяжении всего…
-
Statsmodels: анализ финансовых временных рядов
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…