Lektion 1Distributionsöverväganden: retrainingscykel, datapipelines, övervakning av drift och backtesting av prognoserPlanera distribution av intäktsprognossystem, inklusive retrainingscykel, automatiserade datapipelines, övervakning av data- och konceptdrift samt kontinuerlig backtesting för att säkerställa stabil prestanda under förändrade marknadsförhållanden.
Design av robusta datapipelinesSchemaläggning av retraining och uppdateringarÖvervakning av data- och konceptdriftKontinuerlig backtesting och benchmarkingVarnings- och rollback-strategierLektion 2Kommunicera prognoser till intressenter: visualisering av punktprognoser och intervall, scenarianalys, transparens i antagandenKommunicera intäktsprognoser effektivt till intressenter med tydliga visualiseringar av punkt- och intervallprognoser, scenarianalys och transparent dokumentation av antaganden, begränsningar och modellrisker.
Visualisering av punkt- och intervallprognoserDesign av scenario- och what-if-analysFörklaring av drivkrafter och nyckelfunktionerDokumentation av antaganden och gränserAnpassning av budskap till intressenterLektion 3Maskininlärningsmodeller för tidsserier: random forests/gradient boosting med fördröjda funktioner, XGBoost/LightGBM och sekvensmodeller (LSTM/GRU)Träna maskininlärningsmodeller för tidsseriebaserad intäktsprognostisering, inklusive trädensemble med fördröjda funktioner och sekvensmodeller som LSTM och GRU, samtidigt som man hanterar icke-stationaritet, säsongsvariationer och produkt-specifik heterogenitet.
Random forests med fördröjda funktionerGradient boosting, XGBoost, LightGBMGlobala kontra lokala prognosmodellerSekvensmodeller med LSTM och GRUHantering av icke-stationaritet och skalningLektion 4Formulera prognosmål och utvärderingshorisonter (t.ex. kommande 3, 6, 12 månader)Definiera prognosmål för kärnbankprodukter genom att välja prediktionsmål, horisonter och granularitet, och koppla dem till affärsbeslut som budgetering, prissättning, likviditetsplanering och regulatoriska eller riskrapporteringsbehov.
Val av intäktsmål och enheterVal av prognoshorisonter och frekvensKoppling av prognoser till affärsbeslutGranularitet per produkt, segment och regionHantering av nya produkter och korta historikerLektion 5Identifiera och hämta tidsserie-data (offentliga finansiella serier, betalningsvolymer, syntetiska genereringstekniker)Lär dig identifiera, bedöma och hämta tidsserie-data för bankintäktsprognostisering, inklusive interna produktmätetal, offentliga finansiella serier och syntetisk data som säkert förstärker knappa eller brusiga historiska register.
Katalogisering av interna produktintäkts-serierAnvändning av offentliga makro- och marknadsdataInsamling av betalnings- och transaktionsvolymdataBedömning av data kvalitet, luckor och revideringarSyntetisk datagenerering för stress-scenarierLektion 6Träning och hyperparameterjustering: rutnät/random search, Bayesiansk optimering, tidsmedveten poängsättningOptimera modellprestanda med strukturerade hyperparameterjusteringsstrategier, inklusive rutnät och random search, Bayesiansk optimering och tidsmedveten poängsättning som respekterar temporär ordning och fokuserar på affärskritiska horisonter.
Definiera sökrutnät och priorierRutnät och random search avvägningarBayesianska optimeringsarbetsflödenTidsmedveten validering och poängsättningTidig stopp och resursgränserLektion 7Modellensemblering och rekonsiliation: enkel modellgenomsnittning, viktade ensembler, stacking för tidsserierKombinera flera prognosmodeller för bankintäkter med enkla genomsnitt, viktade ensembler och stacking, och tillämpa hierarkisk rekonsiliation för att säkerställa sammanhängande prognoser över produkter, filialer och organisatoriska nivåer.
Enkel och viktad modellgenomsnittningStacking och meta-lärare för serierMångfald och korrelation bland modellerHierarkisk och gruppbaserad rekonsiliationUtvärdering av ensemblestabilitet över tidLektion 8Baslinje tidsserie-metoder: ARIMA, ETS, naiva och säsongsmässiga naiva modeller, dekomposition (trend/säsongsvariation)Utforska baslinjemodeller för tidsserier för bankintäkter, inklusive naiva, säsongsmässiga naiva, ARIMA, ETS och dekomposition, för att etablera referensprestanda och tolka trend och säsongsvariation innan komplexa maskininlärningsmodeller används.
Naiva och säsongsmässiga naiva benchmarksKlassisk dekomposition av trend och säsongARIMA-modellering för bankintäkts-serierExponentiell utjämning och ETS-varianterJämförelse av baslinjer över produkterLektion 9Funktionsdesign för intäkter: fördröjningar, rullande medelvärden/std, differentiering, kalendereffekter, helgindikatorer, kohorteffekter, marknadsförings-/kampanjflaggorDesigna prediktiva funktioner för bankintäkter, inklusive fördröjningar, rullande statistik, differentiering, kalender- och helgeffekter, kohort- och livscykelindikatorer samt marknadsförings- eller kampanjflaggor som fångar efterfrågeförskjutningar och strukturella brytpunkter.
Fördröjnings- och ledningsfunktioner för intäkterRullande medelvärden, volatilitet och ratioKalender-, helg- och löne-dageffekterKohort- och livscykelbaserade funktionerMarknadsförings- och kampanjpåverkan flaggorLektion 10Datadelning och korsvalidering för tidsserier: tränings-/validerings-/testdelningar, expanderande fönster CV, blockerad CVDesigna tidsmedvetna datadelningar och korsvalideringsscheman för intäktsprognostisering, inklusive rullande och blockerade tillvägagångssätt, för att undvika läckage, efterlikna produktionsanvändning och få tillförlitliga uppskattningar av modellprestanda över tid.
Holdout tränings-, validerings- och testdelningarRullande och expanderande fönster valideringBlockerad korsvalidering för säsongsvariationFörhindra temporärt läckage i funktionerBacktesting över flera prognosursprungLektion 11Utvärderingsmått och felanalys: MAE, RMSE, MAPE, symmetrisk MAPE, prediktionsintervall och täckningUtvärdera intäktsprognoser med mått som MAE, RMSE, MAPE, symmetrisk MAPE och intervalltäckning, och utför detaljerad felanalys per segment, horisont och regim för att avslöja biaser och modellsvagheter.
Skalberoende felmåttProcent- och relativa felmåttPrediktionsintervall och täckningHorisont- och segmentnivådiagnostikRegim- och händelsestyrd felanalysLektion 12Makro- och externa regressorer: användning av KPI, arbetslöshet, räntor, mobilitet, Google Trends; funktionsval och fördröjningsanpassningInkludera makroekonomiska och externa regressorer i intäktsmodeller, såsom KPI, arbetslöshet, räntor, mobilitet och söktrender, och lär dig tekniker för fördröjningsanpassning, skalning och funktionsval för att undvika överanpassning.
Val av relevanta makroindikatorerAnpassning av fördröjningar mellan makro och intäkterTransformation och skalning av extern dataFunktionsval och regulariseringStress- och scenarioöverlägg med makro
