-
Обучение baseline моделей для временных рядов: инжиниринг признаков, регуляризация, оценка качества
Бейзлайн (baseline) — это простая стартовая модель, определяющая минимально приемлемый уровень качества следующих ML-моделей. Если другие модели с более сложной архитектурой выдают метрики хуже бейзлайна, значит, их применение неоправданно. Нередко так бывает, что линейная регрессия с правильными признаками превосходит нейросеть со слабой подготовкой данных. А градиентный бустинг с грамотной регуляризацией обходит LSTM на горизонте прогноза…
-
Алгоритмы сбора биржевых данных: практическое руководство
Финансовые рынки генерируют колоссальные объемы данных: котировки тысяч активов, отчеты компаний, новостные потоки. Умение быстро и качественно собирать, обрабатывать и агрегировать эти данные — важное конкурентное преимущество. Профессиональный подход к сбору биржевых данных — это не просто загрузка котировок. Это комплексная система, включающая мониторинг источников, обработку аномалий, синхронизацию временных рядов из разных источников и построение…
-
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…
-
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…
-
Винеровские процессы в биржевой торговле
Винеровские процессы, названные в честь математика Норберта Винера, представляют собой математический инструмент описания случайных движений. Анализ винеровских процессов крайне важен, поскольку они стали краеугольным камнем современной финансовой инженерии. В отличие от примитивных технических индикаторов, которые пытаются найти закономерности там, где их нет, процессы Винера признают фундаментальную случайность рынка и работают с ней, а не против…
-
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.…
-
Преобразование Бокса-Кокса и ADF тест (Дики-Фуллера)
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 «черные ящики» без понимания внутренней механики и ограничений. Такой подход…
-
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…
-
Коинтеграция временных рядов: базовые понятия и методы проверки
Коинтеграция позволяет найти долгосрочные равновесные связи между нестационарными временными рядами. Коинтеграцию рядов выявляют тестами. И это не просто статистика. Сегодня такие тесты — это фундамент для построения торговых стратегий, управления рисками и понимания структурных взаимосвязей в экономических системах. Концептуальные основы коинтеграции Коинтеграция возникает, когда два или более нестационарных временных ряда движутся вместе таким образом, что…