Урок 1Соображения по развертыванию: периодичность переобучения, конвейеры данных, мониторинг дрейфа и бэктестирование прогнозовПланируйте развертывание систем прогнозирования доходов, включая периодичность переобучения, автоматизированные конвейеры данных, мониторинг сдвигов данных и концептуального дрейфа, а также непрерывное бэктестирование для обеспечения стабильной производительности в изменяющихся рыночных условиях.
Designing robust data pipelinesScheduling retraining and updatesMonitoring data and concept driftOngoing backtesting and benchmarkingAlerting and rollback strategiesУрок 2Коммуникация прогнозов заинтересованным сторонам: визуализация точечных прогнозов и интервалов, анализ сценариев, прозрачность предположенийЭффективно общайтесь прогнозами доходов заинтересованным сторонам с помощью четких визуализаций точечных и интервальных предсказаний, анализа сценариев и прозрачной документации предположений, ограничений и соображений по рискам модели.
Visualizing point and interval forecastsScenario and what-if analysis designExplaining drivers and key featuresDocumenting assumptions and limitsTailoring messages to stakeholdersУрок 3Модели машинного обучения для временных рядов: случайные леса/градиентный бустинг с отстающими признаками, XGBoost/LightGBM и последовательностные модели (LSTM/GRU)Обучайте модели машинного обучения для прогнозирования доходов по временным рядам, включая ансамбли деревьев с отстающими признаками и последовательностные модели вроде LSTM и GRU, учитывая нестационарность, сезонность и гетерогенность на уровне продуктов.
Random forests with lagged featuresGradient boosting, XGBoost, LightGBMGlobal versus local forecasting modelsSequence models with LSTM and GRUHandling nonstationarity and scalingУрок 4Формулировка целей прогнозирования и горизонтов оценки (например, следующие 3, 6, 12 месяцев)Определяйте цели прогнозирования для основных банковских продуктов, выбирая целевые переменные, горизонты и гранулярность, и согласовывайте их с бизнес-решениями, такими как бюджетирование, ценообразование, планирование ликвидности и отчетность по регуляторным или рисковым требованиям.
Choosing revenue targets and unitsSelecting forecast horizons and frequencyAligning forecasts with business decisionsGranularity by product, segment, and regionHandling new products and short historiesУрок 5Идентификация и получение данных временных рядов (публичные финансовые ряды, объемы платежей, техники синтетической генерации)Узнайте, как идентифицировать, оценивать и получать временные ряды данных для прогнозирования доходов банка, включая внутренние метрики продуктов, публичные финансовые ряды и синтетические данные, которые безопасно дополняют скудные или зашумленные исторические записи.
Cataloging internal product revenue seriesUsing public macro and market data sourcesCollecting payment and transaction volume dataAssessing data quality, gaps, and revisionsSynthetic data generation for stress scenariosУрок 6Обучение и настройка гиперпараметров: поиск по сетке/случайный поиск, байесовская оптимизация, оценка с учетом времениОптимизируйте производительность модели с помощью структурированных стратегий настройки гиперпараметров, включая поиск по сетке и случайный поиск, байесовскую оптимизацию и оценку с учетом времени, которая уважает временной порядок и фокусируется на критически важных для бизнеса горизонтах.
Defining search spaces and priorsGrid and random search trade-offsBayesian optimization workflowsTime-aware validation and scoringEarly stopping and resource limitsУрок 7Ансамблирование моделей и reconciliation: простое усреднение моделей, взвешенные ансамбли, стэкинг для временных рядовОбъединяйте несколько моделей прогнозирования доходов банка с помощью простых средних, взвешенных ансамблей и стэкинга, а также применяйте иерархическую реconciliation для обеспечения coherentных прогнозов по продуктам, филиалам и уровням организации.
Simple and weighted model averagingStacking and meta-learners for seriesDiversity and correlation among modelsHierarchical and grouped reconciliationEvaluating ensemble stability over timeУрок 8Базовые методы временных рядов: ARIMA, ETS, наивные и сезонно-наивные модели, декомпозиция (тренд/сезонность)Изучайте базовые модели временных рядов для доходов банка, включая наивные, сезонно-наивные, ARIMA, ETS и декомпозицию, чтобы установить реперные показатели производительности и интерпретировать тренды и сезонность перед использованием сложных моделей машинного обучения.
Naive and seasonal naive benchmarksClassical decomposition of trend and seasonalityARIMA modeling for bank revenue seriesExponential smoothing and ETS variantsComparing baselines across productsУрок 9Инженерия признаков для доходов: отставания, скользящие средние/стд, дифференцирование, календарные эффекты, индикаторы праздников, эффекты когорт, флаги маркетинга/кампанийСоздавайте предиктивные признаки для доходов банка, включая отставания, скользящие средние/стандартные отклонения, дифференцирование, календарные эффекты, индикаторы праздников, эффекты когорт, флаги маркетинга/кампаний, захватывающие сдвиги спроса и структурные разрывы.
Lag and lead features for revenueRolling means, volatility, and ratiosCalendar, holiday, and payday effectsCohort and lifecycle based featuresMarketing and campaign impact flagsУрок 10Разделение данных и кросс-валидация для временных рядов: разделы train/validation/test, расширяющееся окно CV, блочная CVПроектируйте разделение данных и кросс-валидацию для временных рядов с учетом времени для прогнозирования доходов, включая скользящие и блочные подходы, чтобы избежать утечек, имитировать производственное использование и получать надежные оценки производительности модели во времени.
Holdout train, validation, and test splitsRolling and expanding window validationBlocked cross-validation for seasonalityPreventing temporal leakage in featuresBacktesting over multiple forecast originsУрок 11Метрики оценки и анализ ошибок: MAE, RMSE, MAPE, симметричная MAPE, интервалы предсказаний и покрытиеОценивайте прогнозы доходов с помощью метрик, таких как MAE, RMSE, MAPE, симметричная MAPE и покрытие интервалов, и проводите детальный анализ ошибок по сегментам, горизонтам и режимам для выявления смещений и слабостей модели.
Scale-dependent error metricsPercentage and relative error metricsPrediction intervals and coverageHorizon and segment level diagnosticsRegime and event-driven error analysisУрок 12Макро- и внешние регрессоры: использование ИПЦ, безработицы, процентных ставок, мобильности, Google Trends; отбор признаков и выравнивание отставанийВключайте макроэкономические и внешние регрессоры в модели доходов, такие как ИПЦ, безработица, процентные ставки, мобильность, Google Trends; изучите техники выравнивания отставаний, масштабирования и отбора признаков для избежания переобучения.
Selecting relevant macro indicatorsAligning lags between macro and revenueTransforming and scaling external dataFeature selection and regularizationStress and scenario overlays with macros
