Pelajaran 1Pertimbangan pelaksanaan: jadual semula latih, saluran data automatik, pemantauan hanyutan data dan ujian belakang ramalanRancang pelaksanaan sistem ramalan hasil, termasuk jadual semula latih, saluran data automatik, pemantauan untuk hanyutan data dan konsep, serta ujian belakang berterusan untuk memastikan prestasi stabil dalam keadaan pasaran yang berubah.
Merancang saluran data yang kukuhMenjadualkan semula latih dan kemas kiniPemantauan hanyutan data dan konsepUjian belakang dan penanda aras berterusanStrategi amaran dan pulih semulaPelajaran 2Menyampaikan ramalan kepada pihak berkepentingan: visualisasi ramalan titik dan selang, analisis senario, ketelusan andaianSampaikan ramalan hasil dengan berkesan kepada pihak berkepentingan menggunakan visualisasi yang jelas untuk ramalan titik dan selang, analisis senario, dan dokumentasi telus tentang andaian, had, dan pertimbangan risiko model.
Visualisasi ramalan titik dan selangReka bentuk analisis senario dan apa-jikaMenerangkan pendorong dan ciri utamaMendokumentasikan andaian dan hadMenyesuaikan mesej kepada pihak berkepentinganPelajaran 3Model siri masa pembelajaran mesin: hutan rawak/peningkatan gradien dengan ciri lalai, XGBoost/LightGBM, dan model urutan (LSTM/GRU)Latih model pembelajaran mesin untuk ramalan hasil siri masa, termasuk ensemble pokok dengan ciri lalai dan model urutan seperti LSTM dan GRU, sambil mengendalikan tidak pegun, musiman, dan heterogeniti tahap produk.
Hutan rawak dengan ciri lalaiPeningkatan gradien, XGBoost, LightGBMModel ramalan global berbanding lokalModel urutan dengan LSTM dan GRUMengendalikan tidak pegun dan penskalaanPelajaran 4Merumuskan matlamat ramalan dan ufuk penilaian (contohnya, 3, 6, 12 bulan akan datang)Tentukan matlamat ramalan untuk produk bank utama dengan memilih sasaran ramalan, ufuk, dan kehalusan, dan selaraskan dengan keputusan perniagaan seperti belanjawan, penetapan harga, perancangan kecekapan tunai, dan keperluan laporan peraturan atau risiko.
Memilih sasaran hasil dan unitMemilih ufuk ramalan dan kekerapanMenelaraskan ramalan dengan keputusan perniagaanKehalusan mengikut produk, segmen, dan wilayahMengendalikan produk baru dan sejarah pendekPelajaran 5Mengenal pasti dan mendapatkan sumber data siri masa (siri kewangan awam, volum pembayaran, teknik penjanaan sintetik)Pelajari cara mengenal pasti, menilai, dan mendapatkan sumber data siri masa untuk ramalan hasil bank, termasuk metrik produk dalaman, siri kewangan awam, dan data sintetik yang dengan selamat menambah rekod sejarah yang kurang atau bising.
Katalog siri hasil produk dalamanMenggunakan sumber data makro dan pasaran awamMengumpul data volum pembayaran dan transaksiMenilai kualiti data, jurang, dan semakanPenjanaan data sintetik untuk senario tekananPelajaran 6Latihan dan penalaan hiperparameter: carian grid/rawak, pengoptimuman Bayesian, penilaian berawasan masaOptimumkan prestasi model menggunakan strategi penalaan hiperparameter yang berstruktur, termasuk carian grid dan rawak, pengoptimuman Bayesian, dan penilaian berawasan masa yang menghormati susunan temporal dan fokus pada ufuk penting perniagaan.
Mentakrif ruang carian dan keutamaanPertimbangan carian grid dan rawakAliran kerja pengoptimuman BayesianPengesahan dan penilaian berawasan masaPenghentian awal dan had sumberPelajaran 7Penggabungan model dan penyelarasan: purata model mudah, ensemble berbobot, stacking untuk siri masaGabungkan pelbagai model ramalan untuk hasil bank menggunakan purata mudah, ensemble berbobot, dan stacking, serta terapkan penyelarasan hierarki untuk memastikan ramalan yang koheren merentasi produk, cawangan, dan tahap organisasi.
Purata model mudah dan berbobotStacking dan meta-pembelajar untuk siriKepelbagaian dan korelasi antara modelPenyelarasan hierarki dan berkumpulanMenilai kestabilan ensemble dari masa ke masaPelajaran 8Kaedah siri masa asas: ARIMA, ETS, model naif dan musiman naif, dekomposisi (aliran/musiman)Teroka model siri masa asas untuk hasil bank, termasuk naif, musiman naif, ARIMA, ETS, dan dekomposisi, untuk menubuhkan prestasi rujukan dan mentafsir aliran dan musiman sebelum menggunakan model pembelajaran mesin kompleks.
Penanda aras naif dan musiman naifDekomposisi klasik aliran dan musimanPemodelan ARIMA untuk siri hasil bankPemulusan eksponen dan varian ETS Membandingkan asas merentasi produkPelajaran 9Ke jurian ciri untuk hasil: lalai, purata/std bergolek, perbezaan, kesan kalendar, penunjuk percutian, kesan kohort, bendera pemasaran/kempenJurikan ciri ramalan untuk hasil bank, termasuk lalai, statistik bergolek, perbezaan, kesan kalendar dan percutian, penunjuk kohort dan kitaran hidup, serta bendera pemasaran atau kempen yang menangkap peralihan permintaan dan putus struktur.
Ciri lalai dan hadapan untuk hasilPurata bergolek, turun naik, dan nisbahKesan kalendar, percutian, dan gajiCiri berasaskan kohort dan kitaran hidupBendera kesan pemasaran dan kempenPelajaran 10Pembahagian data dan pengesahan silang untuk siri masa: pembahagian latih/pengesahan/uji, CV tingkap berkembang, CV terhalangReka bentuk pembahagian data berawasan masa dan skim pengesahan silang untuk ramalan hasil, termasuk pendekatan bergolek dan terhalang, untuk mengelak kebocoran, meniru penggunaan pengeluaran, dan mendapatkan anggaran prestasi model yang boleh dipercayai dari masa ke masa.
Pembahagian latih, pengesahan, dan uji terpeliharaPengesahan tingkap bergolek dan berkembangPengesahan silang terhalang untuk musimanMencegah kebocoran temporal dalam ciriUjian belakang merentasi pelbagai asal ramalanPelajaran 11Metrik penilaian dan analisis ralat: MAE, RMSE, MAPE, MAPE simetri, selang ramalan dan liputanNilai ramalan hasil menggunakan metrik seperti MAE, RMSE, MAPE, MAPE simetri, dan liputan selang, serta lakukan analisis ralat terperinci mengikut segmen, ufuk, dan rejim untuk mendedahkan berat sebelah dan kelemahan model.
Metrik ralat bergantung skalaMetrik ralat peratusan dan relatifSelang ramalan dan liputanDiagnostik tahap ufuk dan segmenAnalisis ralat berasaskan rejim dan peristiwaPelajaran 12Regresor makro dan luaran: menggunakan CPI, pengangguran, kadar faedah, pergerakan, Google Trends; pemilihan ciri dan penjajaran lalaiMasukkan regresor makroekonomi dan luaran ke dalam model hasil, seperti CPI, pengangguran, kadar faedah, pergerakan, dan tren carian, serta pelajari teknik untuk penjajaran lalai, penskalaan, dan pemilihan ciri untuk mengelak overfit.
Memilih penunjuk makro yang relevanMenjajarkan lalai antara makro dan hasilMengubah dan menskalakan data luaranPemilihan ciri dan pengawalanTindihan tekanan dan senario dengan makro
