-
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…
-
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…
-
Сравнение временных финансовых рядов: методы, метрики и примеры на Python
Сравнение временных рядов биржевых активов помогает выявить у кого больше доходность и риск, как они связаны между собой — движутся ли синхронно, один ли опережает другой, и можно ли использовать эту связь для хеджирования, арбитража или прогнозирования. Понимание того, как правильно сравнивать финансовые временные ряды, может серьезно повлиять на качество торговых стратегий. При этом такой…
-
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…
-
Тренды временных рядов: Как вычислить их направление и силу?
Выявление тренда временного ряда является must have задачей для любого биржевого аналитика. Однако зачастую это непростая задача — многие временные ряды настолько нелинейны и/или зашумлены, что в них не то что нельзя понять направление и силу тренда, но в принципе невозможно обнаружить какую-либо тенденцию. В этой статье я подробно разберу современные методы выявления трендов, рассмотрю…
-
Анализ фьючерса на Brent с помощью Pandas, Sklearn, Hmmlearn
Фьючерсы на Brent являются международным эталоном для мировых цен на нефть, их мониторят нефтяные трейдеры во всем мире. Они представляют собой контракты, которые обязывают покупателя приобрести, а продавца продать определенное количество нефти в будущем по цене, согласованной сегодня. Профессиональный анализ фьючерсов на нефть Brent может дать значительное преимущество трейдерам и инвесторам, особенно если применять современные…
-
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.…
-
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,…