Μάθημα 1Παραμέτροι ανάπτυξης: συχνότητα επανεκπαίδευσης, αγωγοί δεδομένων, παρακολούθηση απόκλισης και επανέλεγχος προβλέψεωνΣχεδιάστε την ανάπτυξη συστημάτων πρόβλεψης εσόδων, συμπεριλαμβανομένης της συχνότητας επανεκπαίδευσης, αυτοματοποιημένων αγωγών δεδομένων, παρακολούθησης για απόκλιση δεδομένων και έννοιας, και συνεχούς επανελέγχου για να εξασφαλίσετε σταθερή απόδοση σε μεταβαλλόμενες συνθήκες αγοράς.
Σχεδιασμός ισχυρών αγωγών δεδομένωνΠρογραμματισμός επανεκπαίδευσης και ενημερώσεωνΠαρακολούθηση απόκλισης δεδομένων και έννοιαςΣυνεχής επανέλεγχος και σύγκρισηΣτρατηγικές ειδοποιήσεων και ανάκρουσηςΜάθημα 2Επικοινωνία προβλέψεων προς ενδιαφερόμενους: οπτικοποίηση σημειακών προβλέψεων και διαστημάτων, ανάλυση σεναρίων, διαφάνεια υποθέσεωνΕπικοινωνήστε αποτελεσματικά προβλέψεις εσόδων προς ενδιαφερόμενους χρησιμοποιώντας σαφείς οπτικοποιήσεις σημειακών και διαστηματικών προβλέψεων, ανάλυση σεναρίων και διαφανή τεκμηρίωση υποθέσεων, περιορισμών και παραγόντων κινδύνου μοντέλων.
Οπτικοποίηση σημειακών και διαστηματικών προβλέψεωνΣχεδιασμός ανάλυσης σεναρίων και τι-ανΕξήγηση παραγόντων και βασικών χαρακτηριστικώνΤεκμηρίωση υποθέσεων και ορίωνΠροσαρμογή μηνυμάτων προς ενδιαφερόμενουςΜάθημα 3Μοντέλα χρονοσειρών μηχανικής μάθησης: δασένα δάση/σταδιακή ενίσχυση με καθυστερημένα χαρακτηριστικά, XGBoost/LightGBM, και μοντέλα ακολουθίας (LSTM/GRU)Εκπαιδεύστε μοντέλα μηχανικής μάθησης για πρόβλεψη εσόδων χρονοσειρών, συμπεριλαμβανομένων συνόλων δέντρων με καθυστερημένα χαρακτηριστικά και μοντέλων ακολουθίας όπως LSTM και GRU, διαχειριζόμενοι μη σταθερότητα, εποχικότητα και ετερογένεια επιπέδου προϊόντος.
Δασένα δάση με καθυστερημένα χαρακτηριστικάΣταδιακή ενίσχυση, XGBoost, LightGBMΠαγκόσμια έναντι τοπικών μοντέλων πρόβλεψηςΜοντέλα ακολουθίας με LSTM και GRUΔιαχείριση μη σταθερότητας και κλιμάκωσηςΜάθημα 4Διαμόρφωση στόχων πρόβλεψης και οριζόντων αξιολόγησης (π.χ. επόμενοι 3, 6, 12 μήνες)Ορίστε στόχους πρόβλεψης για βασικά τραπεζικά προϊόντα επιλέγοντας στόχους πρόβλεψης, ορίζοντες και κοκκώδη, και συνδέοντάς τους με επιχειρηματικές αποφάσεις όπως προϋπολογισμός, τιμολόγηση, σχεδιασμός ρευστότητας και ανάγκες αναφοράς ρυθμιστικής συμμόρφωσης ή κινδύνου.
Επιλογή στόχων και μονάδων εσόδωνΕπιλογή οριζόντων πρόβλεψης και συχνότηταςΣύνδεση προβλέψεων με επιχειρηματικές αποφάσειςΚοκκώδη κατά προϊόν, τμήμα και περιοχήΔιαχείριση νέων προϊόντων και σύντομων ιστορικώνΜάθημα 5Εντοπισμός και προμήθεια δεδομένων χρονοσειρών (δημόσιες οικονομικές σειρές, όγκοι πληρωμών, τεχνικές τεχνητής παραγωγής)Μάθετε πώς να εντοπίζετε, αξιολογείτε και προμηθεύεστε δεδομένα χρονοσειρών για πρόβλεψη εσόδων τραπέζας, συμπεριλαμβανομένων εσωτερικών δεδομένων προϊόντων, δημόσιων οικονομικών σειρών και συνθετικών δεδομένων που εμπλουτίζουν ασφαλώς σπάνια ή θορυβώδη ιστορικά αρχεία.
Κατάλογος εσωτερικών σειρών εσόδων προϊόντωνΧρήση δημόσιων πηγών μακροοικονομικών και αγοράςΣυλλογή δεδομένων όγκου πληρωμών και συναλλαγώνΑξιολόγηση ποιότητας δεδομένων, κενών και αναθεωρήσεωνΠαραγωγή συνθετικών δεδομένων για σενάρια πίεσηςΜάθημα 6Εκπαίδευση και ρύθμιση υπερπαραμέτρων: αναζήτηση πλέγματος/τυχαία, βελτιστοποίηση Bayesian, βαθμολογία προσαρμοσμένη στον χρόνοΒελτιστοποιήστε την απόδοση μοντέλου χρησιμοποιώντας δομημένες στρατηγικές ρύθμισης υπερπαραμέτρων, συμπεριλαμβανομένης αναζήτησης πλέγματος και τυχαίας, βελτιστοποίησης Bayesian και βαθμολογίας προσαρμοσμένης στον χρόνο που σέβεται την χρονική σειρά και εστιάζει σε κρίσιμους επιχειρηματικούς ορίζοντες.
Ορισμός χώρων αναζήτησης και προτεραιοτήτωνΣυμπτώσεις αναζήτησης πλέγματος και τυχαίαςΡοές εργασιών βελτιστοποίησης BayesianΕπικύρωση και βαθμολογία προσαρμοσμένη στον χρόνοΠρώιμη διακοπή και όρια πόρωνΜάθημα 7Συνδυασμός μοντέλων και συμφιλίωση: απλός μέσος όρος μοντέλων, σταθμισμένα σύνολα, stacking για χρονοσειρέςΣυνδυάστε πολλαπλά μοντέλα πρόβλεψης για έσοδα τραπέζας χρησιμοποιώντας απλούς μέσους όρους, σταθμισμένα σύνολα και stacking, και εφαρμόστε ιεραρχική συμφιλίωση για να εξασφαλίσετε συνεκτικές προβλέψεις σε προϊόντα, υποκαταστήματα και οργανωτικά επίπεδα.
Απλός και σταθμισμένος μέσος όρος μοντέλωνStacking και meta-μαθητές για σειρέςΠοικιλία και συσχετίσεις μεταξύ μοντέλωνΙεραρχική και ομαδική συμφιλίωσηΑξιολόγηση σταθερότητας συνόλων με την πάροδο του χρόνουΜάθημα 8Βασικές μέθοδοι χρονοσειρών: ARIMA, ETS, αφελείς και εποχικές αφελείς μοντέλοι, αποσύνθεση (τάση/εποχικότητα)Εξερευνήστε βασικά μοντέλα χρονοσειρών για έσοδα τραπέζας, συμπεριλαμβανομένων αφελών, εποχικών αφελών, ARIMA, ETS και αποσύνθεσης, για να θέσετε αναφορά απόδοσης και να ερμηνεύσετε τάση και εποχικότητα πριν χρησιμοποιήσετε σύνθετα μοντέλα μηχανικής μάθησης.
Αφελείς και εποχικοί αφελείς σημεία αναφοράςΚλασική αποσύνθεση τάσης και εποχικότηταςΜοντελοποίηση ARIMA για σειρές εσόδων τραπέζαςΕκθετική εξομάλυνση και παραλλαγές ETSΣύγκριση βασικών σε διάφορα προϊόνταΜάθημα 9Μηχανική χαρακτηριστικών για έσοδα: καθυστερήσεις, κυλιόμενοι μέσοι/std, διαφοροποίηση, ημερολογιακές επιδράσεις, δείκτες αργιών, επιδράσεις συνόλων, σημαίες καμπανιών μάρκετινγκΔημιουργήστε προβλεπτικά χαρακτηριστικά για έσοδα τραπέζας, συμπεριλαμβανομένων καθυστερήσεων, κυλιόμενων στατιστικών, διαφοροποίησης, ημερολογιακών και αργιών επιδράσεων, δεικτών συνόλων και κύκλου ζωής, και σημαιών μάρκετινγκ ή καμπανιών που καταγράφουν μεταβολές ζήτησης και διακοπές δομής.
Χαρακτηριστικά καθυστέρησης και προηγούμενα για έσοδαΚυλιόμενοι μέσοι, μεταβλητότητα και λόγοιΗμερολογιακές, αργίες και ημέρες πληρωμών επιδράσειςΧαρακτηριστικά βασισμένα σε σύνολα και κύκλο ζωήςΣημαίες επιδράσεων μάρκετινγκ και καμπανιώνΜάθημα 10Διαχωρισμός δεδομένων και διασταυρούμενη επικύρωση για χρονοσειρές: διαχωρισμοί εκπαίδευσης/επικύρωσης/ελέγχου, CV επεκτεινόμενου παραθύρου, μπλοκαρισμένη CVΣχεδιάστε διαχωρισμούς δεδομένων και σχήματα διασταυρούμενης επικύρωσης προσαρμοσμένα στον χρόνο για πρόβλεψη εσόδων, συμπεριλαμβανομένων κυλιόμενων και μπλοκαρισμένων προσεγγίσεων, για να αποφύγετε διαρροή, να μιμηθείτε παραγωγική χρήση και να λάβετε αξιόπιστες εκτιμήσεις απόδοσης μοντέλου με την πάροδο του χρόνου.
Διαχωρισμοί εκπαίδευσης, επικύρωσης και ελέγχουΚυλιόμενη και επεκτεινόμενη επικύρωση παραθύρουΜπλοκαρισμένη διασταυρούμενη επικύρωση για εποχικότηταΠρόληψη χρονικής διαρροής σε χαρακτηριστικάΕπανέλεγχος σε πολλαπλές προελεύσεις πρόβλεψηςΜάθημα 11Μέτρα αξιολόγησης και ανάλυση σφαλμάτων: MAE, RMSE, MAPE, συμμετρικό MAPE, διαστήματα πρόβλεψης και κάλυψηΑξιολογήστε προβλέψεις εσόδων χρησιμοποιώντας μέτρα όπως MAE, RMSE, MAPE, συμμετρικό MAPE και κάλυψη διαστήματος, και εκτελέστε λεπτομερή ανάλυση σφαλμάτων ανά τμήμα, ορίζοντα και καθεστώς για να αποκαλύψετε προκαταλήψεις και αδυναμίες μοντέλου.
Μέτρα σφαλμάτων εξαρτώμενα από κλίμακαΜέτρα σφαλμάτων ποσοστών και σχετικώνΔιαστήματα πρόβλεψης και κάλυψηΔιαγνωστικά επιπέδου ορίζοντα και τμήματοςΑνάλυση σφαλμάτων καθεστώτων και γεγονότωνΜάθημα 12Μακροοικονομικοί και εξωτερικοί επανεξαρτήσεις: χρήση CPI, ανεργίας, επιτοκίων, κινητικότητας, Google Trends· επιλογή χαρακτηριστικών και ευθυγράμμιση καθυστέρησηςΕνσωματώστε μακροοικονομικούς και εξωτερικούς επανεξαρτημένους σε μοντέλα εσόδων, όπως CPI, ανεργία, επιτόκια, κινητικότητα και τάσεις αναζήτησης, και μάθετε τεχνικές ευθυγράμμισης καθυστέρησης, κλιμάκωσης και επιλογής χαρακτηριστικών για αποφυγή υπερπροσαρμογής.
Επιλογή σχετικών μακροοικονομικών δεικτώνΕυθυγράμμιση καθυστερήσεων μεταξύ μακρο και εσόδωνΜετασχηματισμός και κλιμάκωση εξωτερικών δεδομένωνΕπιλογή χαρακτηριστικών και τακτικοποίησηΕπικάλυψη πίεσης και σεναρίων με μακρο δεδομένα