<?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>statsmodels &#8212; &gt; Machine Learning Guru|</title>
	<atom:link href="https://mlgu.ru/tag/statsmodels/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>statsmodels &#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>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>Модель ETS для прогнозирования временных рядов</title>
		<link>https://mlgu.ru/5840/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Thu, 30 Oct 2025 12:33:10 +0000</pubDate>
				<category><![CDATA[Анализ данных]]></category>
		<category><![CDATA[statsmodels]]></category>
		<category><![CDATA[временные ряды]]></category>
		<category><![CDATA[прогнозирование]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=5840</guid>

					<description><![CDATA[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 [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Алгоритмы оценки хеджирующих стратегий</title>
		<link>https://mlgu.ru/5764/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Mon, 27 Oct 2025 22:03:32 +0000</pubDate>
				<category><![CDATA[Анализ данных]]></category>
		<category><![CDATA[statsmodels]]></category>
		<category><![CDATA[волатильность]]></category>
		<category><![CDATA[управление рисками]]></category>
		<category><![CDATA[хеджирование]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=5764</guid>

					<description><![CDATA[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 [&#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>Ad hoc задачи в финансовой аналитике</title>
		<link>https://mlgu.ru/3496/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Fri, 18 Jul 2025 22:05:13 +0000</pubDate>
				<category><![CDATA[Классический ML]]></category>
		<category><![CDATA[isolation forest]]></category>
		<category><![CDATA[pymc]]></category>
		<category><![CDATA[sklearn]]></category>
		<category><![CDATA[statsmodels]]></category>
		<category><![CDATA[анализ рынков]]></category>
		<category><![CDATA[поиск закономерностей]]></category>
		<category><![CDATA[финансовый анализ]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=3496</guid>

					<description><![CDATA[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 &#171;для этого&#187;, &#171;для данного случая&#187;. То есть это [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Информационные критерии: AIC (Akaike Information Criterion) и BIC (Bayesian Information Criterion)</title>
		<link>https://mlgu.ru/3400/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Mon, 14 Jul 2025 12:14:23 +0000</pubDate>
				<category><![CDATA[Классический ML]]></category>
		<category><![CDATA[scipy]]></category>
		<category><![CDATA[sklearn]]></category>
		<category><![CDATA[statsmodels]]></category>
		<category><![CDATA[машинное обучение]]></category>
		<category><![CDATA[методы оценки]]></category>
		<category><![CDATA[стат анализ]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=3400</guid>

					<description><![CDATA[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 [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Сглаживание временных рядов полиномиальными регрессиями. Типы регрессий</title>
		<link>https://mlgu.ru/2475/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Fri, 23 May 2025 09:36:31 +0000</pubDate>
				<category><![CDATA[Классический ML]]></category>
		<category><![CDATA[sklearn]]></category>
		<category><![CDATA[statsmodels]]></category>
		<category><![CDATA[time series]]></category>
		<category><![CDATA[временные ряды]]></category>
		<category><![CDATA[фильтры]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=2475</guid>

					<description><![CDATA[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 [&#8230;]]]></description>
		
		
		
			</item>
	</channel>
</rss>
