-
MSE, RMSE, MAE, MAPE для оценки качества прогнозов временных рядов
При построении моделей прогнозирования временных рядов, для оценки качества чаще всего используют одну или две из следующих четырех метрик: MSE, RMSE, MAE и MAPE. Каждая из них рассказывает свою историю о модели, и понимание этих нюансов может стать разницей между прибыльной стратегией и потерей капитала. И MSE, RMSE, MAE и MAPE решают одну и ту…
-
Методы аппроксимации временных рядов
Методы аппроксимации призваны уловить закономерности за хаосом движений, а также представить сложные данные в виде простой модели, сохраняя при этом их суть. Между тем, качественная аппроксимация — это не просто подбор кривой, которая «красиво ложится» на исторические данные. Это искусство извлечения сигнала из шума, способность выделить структурные паттерны, которые сохранят свою предсказательную силу в будущем.…
-
Байесовская модель пространственно-временного ряда (Bayesian State-Space Time Series Model)
Когда я впервые столкнулся с байесовскими моделями пространственно-временных рядов в контексте разработки торговых алгоритмов, меня поразила их элегантность и мощь. В отличие от традиционных методов прогнозирования временных рядов, которые часто игнорируют неопределенность или делают слишком жесткие предположения о структуре данных, байесовские state-space модели предоставляют гибкий фреймворк для работы с динамическими системами в условиях неопределенности. Данная…
-
Стохастические процессы с дискретным временем (DTSP): применение в биржевой аналитике
Стохастические процессы с дискретным временем (Discrete-Time Stochastic Process (DTSP)) представляют собой математический аппарат, который описывает эволюцию случайных величин в дискретные моменты времени. В отличие от непрерывных процессов, где изменения происходят постоянно, дискретные процессы фиксируют состояния системы в определенные интервалы — секунды, минуты, дни или любые другие заданные периоды. Практическое значение DTSP в количественном анализе трудно…
-
Лаговые переменные и их правильное использование. Избегаем data leakage в финансовых моделях
В трейдинге и количественном анализе существует ряд ошибок, которые могут полностью уничтожить потенциальную прибыльность модели. Одна из таких — неправильное использование лаговых переменных, она приводит к утечке данных (data leakage). Эта проблема особенно критична в финансовых моделях, где требуется быстрая реакция на изменения рынка. В отличие от многих других областей машинного обучения, где порядок наблюдений…
-
Автокорреляция (ACF) и частичная автокорреляция (PACF) в биржевом анализе
Автокорреляция (ACF) и частичная автокорреляция (PACF) являются мощными инструментами для выявления скрытых паттернов в ценовых рядах. Многие трейдеры и аналитики ограничиваются поверхностным применением этих концепций, используя их лишь для идентификации параметров ARIMA-моделей. Однако реальная сила ACF и PACF раскрывается при их правильном применении в контексте разработки торговых алгоритмов и риск-менеджмента. В этой статье я поделюсь…
-
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…
-
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…