Lekce 1Zvažování nasazení: periodicita přetrénování, datové pipeline, monitorování driftu a zpětné testování předpovědíPlánujte nasazení systémů pro předpovídání výnosů včetně periodicity přetrénování, automatizovaných datových pipeline, monitorování datového a konceptuálního driftu a kontinuálního zpětného testování pro zajištění stabilního výkonu v měnících se tržních podmínkách.
Návrh robustních datových pipelinePlánování přetrénování a aktualizacíMonitorování datového a konceptuálního driftuPrůběžné zpětné testování a benchmarkingStrategie upozornění a rollbackuLekce 2Komunikace předpovědí stakeholderům: vizualizace bodových předpovědí a intervalů, analýza scénářů, transparentnost předpokladůEfektivně komunikujte předpovědi výnosů stakeholderům pomocí jasných vizualizací bodových a intervalových predikcí, analýzy scénářů a transparentní dokumentace předpokladů, omezení a rizik modelu.
Vizualizace bodových a intervalových předpovědíNávrh analýzy scénářů a what-ifVysvětlení ovladačů a klíčových příznakůDokumentace předpokladů a limitůPřizpůsobení zpráv stakeholderůmLekce 3Modely strojového učení pro časové řady: náhodné lesy/gradient boosting s opožděnými příznaky, XGBoost/LightGBM a sekvenční modely (LSTM/GRU)Trénujte modely strojového učení pro předpovídání výnosů z časových řad včetně stromových souborů s opožděnými příznaky a sekvenčních modelů jako LSTM a GRU, při zvládání nestacionaritu, sezónnosti a heterogenity na úrovni produktů.
Náhodné lesy s opožděnými příznakyGradient boosting, XGBoost, LightGBMGlobální versus lokální modely předpovídáníSekvenční modely s LSTM a GRUZvládání nestacionarity a škálováníLekce 4Formulování cílů předpovídání a horizontů vyhodnocení (např. příštích 3, 6, 12 měsíců)Definujte cíle předpovídání pro klíčové bankovní produkty výběrem predikčních cílů, horizontů a granulárnosti a sladěním s obchodními rozhodnutími jako rozpočtování, oceňování, plánování likvidity a regulační nebo rizikové reportování.
Výběr cílů výnosů a jednotekVýběr horizontů předpovědí a frekvenceSladění předpovědí s obchodními rozhodnutímiGranulárnost podle produktu, segmentu a regionuZvládání nových produktů a krátkých historických datLekce 5Identifikace a získávání dat časových řad (veřejné finanční řady, objemy plateb, techniky syntetické generace) Naučte se identifikovat, posoudit a získávat data časových řad pro předpovídání bankovních výnosů včetně interních metrik produktů, veřejných finančních řad a syntetických dat, která bezpečně doplňují vzácné nebo rušivé historické záznamy.
Katalogizace interních řad výnosů produktůPoužití veřejných zdrojů makro a tržních datShromažďování dat o objemech plateb a transakcíPosuzování kvality dat, mezer a revizíGenerování syntetických dat pro stresové scénářeLekce 6Trénování a ladění hyperparametrů: mřížkové/náhodné vyhledávání, Bayesovská optimalizace, časově citlivé skórováníOptimalizujte výkon modelu pomocí strukturovaných strategií ladění hyperparametrů včetně mřížkového a náhodného vyhledávání, Bayesovské optimalizace a časově citlivého skórování, které respektuje časové uspořádání a zaměřuje se na obchodně kritické horizonty.
Definice prostorů vyhledávání a předpokladůVýhody a nevýhody mřížkového a náhodného vyhledáváníPostupy Bayesovské optimalizaceČasově citlivá validace a skórováníPředčasné zastavení a limity zdrojůLekce 7Ensembování modelů a rekonsiliace: jednoduché průměrování modelů, vážené ensembly, stacking pro časové řadyKombinujte více modelů předpovídání bankovních výnosů pomocí jednoduchých průměrů, vážených ensemblů a stackingu a aplikujte hierarchickou rekonsiliaci pro zajištění koherentních předpovědí napříč produkty, pobočkami a organizačními úrovněmi.
Jednoduché a vážené průměrování modelůStacking a meta-učitelé pro řadyDiverzita a korelace mezi modelyHierarchická a seskupená rekonsiliaceVyhodnocování stability ensemblů v časeLekce 8Základní metody časových řad: ARIMA, ETS, naivní a sezónní naivní modely, dekompozice (trend/sezónnost)Prozkoumejte základní modely časových řad pro bankovní výnosy včetně naivních, sezónních naivních, ARIMA, ETS a dekompozice pro stanovení referenčního výkonu a interpretace trendu a sezónnosti před použitím komplexních modelů strojového učení.
Naivní a sezónní naivní benchmarkyKlasická dekompozice trendu a sezónnostiModelování ARIMA pro bankovní řady výnosůExponenciální vyhlazování a varianty ETSPorovnávání baseline napříč produktyLekce 9Inženýrství příznaků pro výnosy: opoždění, klouzavé průměry/std, diferenciace, kalendářní efekty, indikátory svátků, kohortové efekty, vlajky marketingových kampaníVytvářejte prediktivní příznaky pro bankovní výnosy včetně opoždění, klouzavé statistiky, diferenciace, kalendářních a svátečních efektů, kohortových a životních cyklus indikátorů a vlajek marketingu nebo kampaní zachycujících posuny poptávky a strukturální přerušení.
Opožděné a předstihové příznaky pro výnosyKlouzavé průměry, volatilita a poměryKalendářní, sváteční a výplatní efektyPříznaky založené na kohortách a životním cykluVlajky dopadu marketingu a kampaníLekce 10Dělení dat a křížová validace pro časové řady: trénovací/validace/test dělení, rozšiřující okno CV, bloková CVNavrhněte časově citlivé dělení dat a schémata křížové validace pro předpovídání výnosů včetně rolujících a blokových přístupů pro vyhnutí úniku dat, napodobení produkčního použití a získání spolehlivých odhadů výkonu modelu v čase.
Holdout trénovací, validace a test děleníRolující a rozšiřující okno validaceBloková křížová validace pro sezónnostPrevence časového úniku v příznacíchZpětné testování přes více počátků předpovědíLekce 11Metriky vyhodnocení a analýza chyb: MAE, RMSE, MAPE, symetrické MAPE, predikční intervaly a pokrytíVyhodnocujte předpovědi výnosů pomocí metrik jako MAE, RMSE, MAPE, symetrické MAPE a pokrytí intervalů a proveďte podrobnou analýzu chyb podle segmentu, horizontu a režimu pro odhalení biasů a slabin modelu.
Škálově závislé metriky chybProcentuální a relativní metriky chybPredikční intervaly a pokrytíDiagnostika na úrovni horizontu a segmentuAnalýza chyb podle režimu a událostíLekce 12Makro a externí regresorů: použití CPI, nezaměstnanosti, úrokových sazeb, mobility, Google Trends; výběr příznaků a zarovnání opožděníZařaďte makroekonomické a externí regresorů do modelů výnosů jako CPI, nezaměstnanost, úrokové sazby, mobilitu a trendy vyhledávání a naučte se techniky zarovnání opoždění, škálování a výběru příznaků pro vyhnutí přeučení.
Výběr relevantních makro indikátorůZarovnání opoždění mezi makro a výnosyTransformace a škálování externích datVýběr příznaků a regularizaceStresové a scénářové překryvy s makro
