1. leckeTelepítési szempontok: újraképzési ciklus, adatfolyamatok, elmozdulás monitorozása és visszatesztelésTervezze meg a bevételi előrejelző rendszerek telepítését, beleértve az újraképzési ciklust, automatizált adatfolyamatokat, adat- és koncepciód elmozdulás monitorozását, valamint folyamatos visszatesztelést a változó piaci körülmények közötti stabil teljesítmény biztosítására.
Robusztus adatfolyamatok tervezéseÚjraképezés és frissítések ütemezéseAdat- és koncepciód elmozdulás monitorozásaFolyamatos visszatesztelés és benchmarkRiasztási és visszavont stratégiák2. leckeElőrejelzések kommunikálása az érdekelt feleknek: pontelőrejelzések és intervallumok vizualizációja, forgatókönyv-elemzés, feltételezések átláthatóságaKommunikálja hatékonyan a bevételi előrejelzéseket az érdekelt felek felé tiszta vizualizációk segítségével a pont- és intervallum-előrejelzésekre, forgatókönyv-elemzéssel és a feltételezések, korlátok, modellkockázatok átlátható dokumentációjával.
Pont- és intervallum-előrejelzések vizualizálásaForgatókönyv- és mi-v lenne-ha elemzés tervezéseMeghajtók és kulcsfontosságú jellemzők magyarázataFeltételezések és korlátok dokumentálásaÜzenetek az érdekelt felekre szabása3. leckeGépi tanulási időbeli sor modellek: random erdők/gradiens boosting késleltetett jellemzőkkel, XGBoost/LightGBM és szekvencia modellek (LSTM/GRU)Képezzen gépi tanulási modelleket időbeli sor bevételi előrejelzésre, beleértve fa-ensemble-öket késleltetett jellemzőkkel és szekvencia modelleket mint LSTM és GRU, miközben kezeli a nemállandóságot, szezonalitást és termék-szintű heterogenitást.
Random erdők késleltetett jellemzőkkelGradiens boosting, XGBoost, LightGBMGlobális vs helyi előrejelző modellekSzekvencia modellek LSTM és GRU-valNemállandóság kezelése és skálázás4. leckeElőrejelzési célok megfogalmazása és értékelési horizontok (pl. következő 3, 6, 12 hónap)Határozza meg a banki főtermékek előrejelzési céljait a predikciós célpontok, horizontok és szemcsességek kiválasztásával, igazítva őket üzleti döntésekhez mint költségvetés, árképzés, likviditástervezés és szabályozói vagy kockázati riporting igények.
Bevételi célpontok és egységek kiválasztásaElőrejelzési horizontok és frekvencia kiválasztásaElőrejelzések üzleti döntésekhez igazításaSzemcsesség termék, szegmens és régió szerintÚj termékek és rövid történetek kezelése5. leckeIdőbeli sor adatok azonosítása és beszerzése (nyilvános pénzügyi sorozatok, fizetési volument, szintetikus generálási technikák)Tanulja meg, hogyan azonosítsa, értékelje és szerezzen be időbeli sor adatokat banki bevételi előrejelzéshez, beleértve belső termékmetrikákat, nyilvános pénzügyi sorozatokat és szintetikus adatokat, amelyek biztonságosan bővítik a ritka vagy zajos történelmi rekordokat.
Belső termék bevételi sorozatok katalogizálásaNyilvános makro- és piackutató adatforrások használataFizetési és tranzakciós volumenadatok gyűjtéseAdatminőség, hézagok és revíziók értékeléseSzintetikus adatgenerálás stressz forgatókönyvekhez6. leckeKépzés és hiperparaméter hangolás: rács/véletlen keresés, Bayes optimalizálás, időtudatos pontozásOptimalizálja a modell teljesítményét strukturált hiperparaméter hangolási stratégiákkal, beleértve rács- és véletlen keresést, Bayes optimalizálást és időtudatos pontozást, amely tiszteletben tartja a temporális sorrendet és a üzletkritikus horizontokra fókuszál.
Keresési terek és priori meghatározásaRács- és véletlen keresés trade-offjaiBayes optimalizálási munkafolyamatokIdőtudatos validáció és pontozásKorai leállítás és erőforrás korlátok7. leckeModell ensemble és egyeztetés: egyszerű modell átlagolás, súlyozott ensemble-k, stacking időbeli sorokraKombinálja több előrejelző modellt banki bevételre egyszerű átlagokkal, súlyozott ensemble-ekkel és stackinggel, és alkalmazza hierarchikus egyeztetést a termékek, fióktelepek és szervezeti szintek közötti koherens előrejelzések biztosítására.
Egyszerű és súlyozott modell átlagolásStacking és meta-tanítók sorozatokraModellek sokfélesége és korrelációjaHierarchikus és csoportos egyeztetésEnsemble stabilitás értékelése idővel8. leckeAlap időbeli sor módszerek: ARIMA, ETS, naiv és szezonális naiv modellek, dekompozíció (trend/szezonális)Ismerje meg az alap időbeli sor modelleket banki bevételre, beleértve naiv, szezonális naiv, ARIMA, ETS és dekompozíciót, referenciaprestíž létrehozására és trend, szezonális értelmezésére komplex gépi tanulás előtt.
Naiv és szezonális naiv benchmarkokKlasszikus trend és szezonális dekompozícióARIMA modellezés banki bevételi sorozatokraExponenciális simítás és ETS variánsokBaseline összehasonlítás termékek között9. leckeJellemzőmérnökség bevételre: késleltetések, gördülő átlagok/std, differenciálás, naptár hatások, ünnep indikátorok, kohorsz hatások, marketing/kampány zászlókMérnököljön prediktív jellemzőket banki bevételre, beleértve késleltetéseket, gördülő statisztikákat, differenciálást, naptár- és ünnep hatásokat, kohorsz- és életciklus indikátorokat, valamint marketing vagy kampány zászlókat a keresletváltozások és szerkezeti törések rögzítésére.
Késleltetett és előre jellemzők bevételreGördülő átlagok, volatilitás és arányokNaptár, ünnep és fizetési nap hatásokKohorsz és életciklus alapú jellemzőkMarketing és kampány hatás zászlók10. leckeAdatfelosztás és keresztvalidáció időbeli sorokra: edzés/validáció/teszt felosztások, bővülő ablak CV, blokkolt CVTervezzen időtudatos adatfelosztásokat és keresztvalidációkat bevételi előrejelzésre, beleértve gördülő és blokkolt megközelítéseket a szivárgás elkerülésére, termelési használat utánzására és megbízható modellteljesítmény becslésre idővel.
Kiválasztott edzés, validáció és teszt felosztásokGördülő és bővülő ablak validációBlokkolt keresztvalidáció szezonálisraTemporális szivárgás megelőzése jellemzőkbenVisszatesztelés több előrejelzési eredet felett11. leckeÉrtékelési metrikák és hibaanalízis: MAE, RMSE, MAPE, szimmetrikus MAPE, predikciós intervallumok és fedésÉrtékelje a bevételi előrejelzéseket metrikákkal mint MAE, RMSE, MAPE, szimmetrikus MAPE és intervallum fedés, és végezzen részletes hibaanalízist szegmens, horizont és rezsim szerint a torzítások és modellgyengeségek feltárására.
Skálafüggő hiba metrikákSzázalékos és relatív hiba metrikákPredikciós intervallumok és fedésHorizont és szegmens szintű diagnosztikákRezsim és eseményvezérelt hibaanalízis12. leckeMakro és külső regresszorok: CPI, munkanélküliség, kamatlábak, mobilitás, Google Trends használata; jellemzőválasztás és késleltetés igazításIllesszen be makrogazdasági és külső regresszorokat bevételi modellekbe, mint CPI, munkanélküliség, kamatlábak, mobilitás és keresési trendek, és tanuljon technikákat késleltetés igazításra, skálázásra és jellemzőválasztásra a túltanítás elkerülésére.
Releváns makro indikátorok kiválasztásaKésleltetések igazítása makro és bevétel közöttKülső adatok transzformálása és skálázásaJellemzőválasztás és regularizációStressz és forgatókönyv rétegek makrokkal
