Lekcija 1Namestitveni vidiki: pogostost ponovnega treniranja, podatkovni cevovodi, spremljanje driftanja in backtesting napovediNačrtujte namestitev sistemov za napovedovanje prihodkov, vključno s pogostostjo ponovnega treniranja, avtomatiziranimi podatkovnimi cevovodi, spremljanjem driftanja podatkov in konceptov ter neprekinjenim backtestingom za zagotavljanje stabilnih rezultatov v spreminjajočih se tržnih pogojih.
Designing robust data pipelinesScheduling retraining and updatesMonitoring data and concept driftOngoing backtesting and benchmarkingAlerting and rollback strategiesLekcija 2Komuniciranje napovedi deležnikom: vizualizacija točkovnih napovedi in intervalov, analiza scenarijev, preglednost predpostavkKomunicirajte napovedi prihodkov učinkovito deležnikom z uporabo jasnih vizualizacij točkovnih in intervalnih napovedi, analize scenarijev in pregledne dokumentacije predpostavk, omejitev in tveganj modela.
Visualizing point and interval forecastsScenario and what-if analysis designExplaining drivers and key featuresDocumenting assumptions and limitsTailoring messages to stakeholdersLekcija 3Modeli strojnega učenja časovnih vrst: naključna gozda/gradientni boosting z zakasnelemi lastnostmi, XGBoost/LightGBM in sekvenčni modeli (LSTM/GRU)Trenirajte modele strojnega učenja za napovedovanje prihodkov časovnih vrst, vključno z drevesnimi ansambli z zakasnenimi lastnostmi in sekvenčnimi modeli kot LSTM in GRU, pri čemer upoštevajte nestacionarnost, sezonskost in heterogenost na ravni produktov.
Random forests with lagged featuresGradient boosting, XGBoost, LightGBMGlobal versus local forecasting modelsSequence models with LSTM and GRUHandling nonstationarity and scalingLekcija 4Oblikovanje ciljev napovedovanja in horizontov ocenjevanja (npr. naslednji 3, 6, 12 mesecev)Opredelite cilje napovedovanja za osnovne bančne produkte z izbiro ciljev napovedi, horizontov in granularnosti ter jih uskladite z poslovnimi odločitvami, kot so proračuniranje, cenovna politika, načrtovanje likvidnosti in poročanje za regulacijo ali tveganja.
Choosing revenue targets and unitsSelecting forecast horizons and frequencyAligning forecasts with business decisionsGranularity by product, segment, and regionHandling new products and short historiesLekcija 5Identifikacija in pridobivanje podatkov časovnih vrst (javne finančne serije, obseg plačil, tehnike sintetične generacije)Naučite se identificirati, oceniti in pridobiti podatke časovnih vrst za napovedovanje bančnih prihodkov, vključno z internimi metrikami produktov, javnimi finančnimi serijami in sintetičnimi podatki, ki varno dopolnjujejo redke ali hrupne zgodovinske zapise.
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 scenariosLekcija 6Treniranje in nastavljanje hiperparametrov: mrežno/naključno iskanje, bajezovska optimizacija, ocenjevanje prilagojeno časuOptimizirajte zmogljivost modela z uporabo strukturiranih strategij za nastavljanje hiperparametrov, vključno z mrežnim in naključnim iskanjem, bajezovsko optimizacijo in ocenjevanjem prilagojenim času, ki spoštuje časovni red in se osredotoča na poslovno kritične horizonte.
Defining search spaces and priorsGrid and random search trade-offsBayesian optimization workflowsTime-aware validation and scoringEarly stopping and resource limitsLekcija 7Ansambliranje modelov in sprava: preprosto povprečje modelov, uteženi ansambli, stacking za časovne vrsteZdružite več modelov napovedovanja za bančne prihodke z uporabo preprostih povprečij, uteženih ansamblov in stackinga ter uporabite hierarhično spravo za zagotavljanje koherentnih napovedi čez produkte, podružnice in organizacijske ravni.
Simple and weighted model averagingStacking and meta-learners for seriesDiversity and correlation among modelsHierarchical and grouped reconciliationEvaluating ensemble stability over timeLekcija 8Osnovne metode časovnih vrst: ARIMA, ETS, naivni in sezonsko naivni modeli, razgradnja (trend/sezonskost)Raziščite osnovne modele časovnih vrst za bančne prihodke, vključno z naivnimi, sezonsko naivnimi, ARIMA, ETS in razgradnjo, za vzpostavitev referenčne zmogljivosti in interpretacijo trenda ter sezonskosti pred uporabo kompleksnih modelov strojnega učenja.
Naive and seasonal naive benchmarksClassical decomposition of trend and seasonalityARIMA modeling for bank revenue seriesExponential smoothing and ETS variantsComparing baselines across productsLekcija 9Inženirstvo lastnosti za prihodke: zakasnitve, kotalna povprečja/std, diferenciranje, koledarski učinki, indikatorji praznikov, učinki kohort, oznake marketinških kampanjInženirite napovedne lastnosti za bančne prihodke, vključno z zakasnitvami, kotalnimi povprečji/std, diferenciranjem, koledarskimi učinki, indikatorji praznikov, učinki kohort in oznakami marketinških kampanj, ki zajamejo premike povpraševanja in strukturne prelome.
Lag and lead features for revenueRolling means, volatility, and ratiosCalendar, holiday, and payday effectsCohort and lifecycle based featuresMarketing and campaign impact flagsLekcija 10Razdelitev podatkov in preverjanje za časovne vrste: razdelitve train/validation/test, razširjajoče okno CV, blokirano CVOblikujte razdelitev podatkov in sheme preverjanja za časovne vrste za napovedovanje prihodkov, vključno s kotalnimi in blokiranimi pristopi, da preprečite puščanje, posnemate produkcijsko uporabo in pridobite zanesljive ocene zmogljivosti modela skozi čas.
Holdout train, validation, and test splitsRolling and expanding window validationBlocked cross-validation for seasonalityPreventing temporal leakage in featuresBacktesting over multiple forecast originsLekcija 11Metrike ocenjevanja in analiza napak: MAE, RMSE, MAPE, simetrična MAPE, intervali napovedi in pokritostOcenjujte napovedi prihodkov z metrikami kot so MAE, RMSE, MAPE, simetrična MAPE in pokritost intervalov ter izvajajte podrobno analizo napak po segmentih, horizontih in režimih za odkritje pristranskosti in šibkosti modela.
Scale-dependent error metricsPercentage and relative error metricsPrediction intervals and coverageHorizon and segment level diagnosticsRegime and event-driven error analysisLekcija 12Makro in zunanje regresorske spremenljivke: uporaba CPI, brezposelnosti, obrestnih mer, mobilnosti, Google Trends; izbira lastnosti in poravnava zakasnitevVključite makroekonomske in zunanje regresorske spremenljivke v modele prihodkov, kot so CPI, brezposelnost, obrestne mere, mobilnost in Google Trends, ter se naučite tehnik za poravnavo zakasnitev, skaliranje in izbiro lastnosti za preprečevanje pretreniranja.
Selecting relevant macro indicatorsAligning lags between macro and revenueTransforming and scaling external dataFeature selection and regularizationStress and scenario overlays with macros
