Aralin 1Mga Konsiderasyon sa Deployment: Kadena ng muling pagsasanay, mga pipeline ng data, pagsubaybay sa drift at backtesting ng mga hulaMagplano ng deployment ng mga sistema ng pagbubuwis ng kita, kabilang ang kadena ng muling pagsasanay, awtomatikong mga pipeline ng data, pagsubaybay sa data at concept drift, at patuloy na backtesting upang matiyak ang matatag na pagganap sa nagbabagong kondisyon ng merkado.
Pagdidisenyo ng matitibay na mga pipeline ng dataPag-oorganisa ng muling pagsasanay at mga updatePagsubaybay sa data at concept driftPatuloy na backtesting at benchmarkingMga estratehiya sa pagalerto at rollbackAralin 2Pag-uugnay ng mga hula sa mga stakeholder: visualisasyon ng mga point forecast at interval, scenario analysis, transparency ng mga assumptionEpektibong ipaalam ang mga hula ng kita sa mga stakeholder gamit ang malinaw na visualisasyon ng mga point at interval na hula, scenario analysis, at transparent na dokumentasyon ng mga assumption, limitasyon, at pagsasaalang-alang sa model risk.
Pag-visualize ng mga point at interval forecastPagdidisenyo ng scenario at what-if analysisPagpaliwanag ng mga driver at key featuresPagdokumento ng mga assumption at limitasyonPag-aangkop ng mga mensahe sa mga stakeholderAralin 3Mga modelo ng machine learning time series: random forests/gradient boosting na may lagged features, XGBoost/LightGBM, at sequence models (LSTM/GRU)Sanayin ang mga modelo ng machine learning para sa time series ng pagbubuwis ng kita, kabilang ang tree ensembles na may lagged features at sequence models tulad ng LSTM at GRU, habang hinahawakan ang nonstationarity, seasonality, at heterogeneity sa antas ng produkto.
Random forests na may lagged featuresGradient boosting, XGBoost, LightGBMGlobal versus local forecasting modelsSequence models na may LSTM at GRUPaghawak sa nonstationarity at scalingAralin 4Pagbuo ng mga layunin ng forecasting at evaluation horizons (hal., susunod na 3, 6, 12 buwan)I-define ang mga layunin ng forecasting para sa mga pangunahing produkto ng bangko sa pamamagitan ng pagpili ng mga target ng hula, horizons, at granularity, at iayon ito sa mga desisyon sa negosyo tulad ng budgeting, pricing, liquidity planning, at mga pangangailangan sa regulatory o risk reporting.
Pagpili ng mga target ng kita at unitsPagpili ng mga forecast horizon at frequencyPag-aayon ng mga hula sa mga desisyon sa negosyoGranularity ayon sa produkto, segment, at rehiyonPaghawak sa mga bagong produkto at maikling historiesAralin 5Pag-identify at pagkuha ng time series data (public financial series, payment volumes, synthetic generation techniques)Matuto kung paano mag-identify, magtatasa, at magkuha ng time series data para sa pagbubuwis ng kita ng bangko, kabilang ang internal product metrics, public financial series, at synthetic data na ligtas na nagpapahusay sa mahihirap o maingay na historical records.
Pagkatalogo ng internal product revenue seriesPaggamit ng public macro at market data sourcesPagkolekta ng payment at transaction volume dataPagtatasa ng kalidad ng data, gaps, at revisionsSynthetic data generation para sa stress scenariosAralin 6Pagsasanay at hyperparameter tuning: grid/random search, Bayesian optimization, time-aware scoringI-optimize ang pagganap ng modelo gamit ang structured na mga estratehiya sa hyperparameter tuning, kabilang ang grid at random search, Bayesian optimization, at time-aware scoring na iginagalang ang temporal ordering at nakatuon sa mga business-critical horizons.
Pagbuo ng search spaces at priorsGrid at random search trade-offsBayesian optimization workflowsTime-aware validation at scoringEarly stopping at resource limitsAralin 7Model ensembling at reconciliation: simple model averaging, weighted ensembles, stacking para sa time seriesPinagsama ang maraming forecasting models para sa kita ng bangko gamit ang simple averages, weighted ensembles, at stacking, at ilapat ang hierarchical reconciliation upang matiyak ang coherent na mga hula sa mga produkto, branches, at organizational levels.
Simple at weighted model averagingStacking at meta-learners para sa seriesDiversity at correlation sa mga modelHierarchical at grouped reconciliationPag-e-evaluate ng ensemble stability sa paglipas ng panahonAralin 8Baseline time series methods: ARIMA, ETS, naive at seasonal naïve models, decomposition (trend/seasonality)Galugarin ang mga baseline time series models para sa kita ng bangko, kabilang ang naive, seasonal naive, ARIMA, ETS, at decomposition, upang magtatag ng reference performance at i-interpret ang trend at seasonality bago gumamit ng complex machine learning models.
Naive at seasonal naive benchmarksClassical decomposition ng trend at seasonalityARIMA modeling para sa bank revenue seriesExponential smoothing at ETS variantsPag-compare ng baselines sa mga produktoAralin 9Feature engineering para sa kita: lags, rolling means/std, differencing, calendar effects, holiday indicators, cohort effects, marketing/campaign flagsMag-engineer ng predictive features para sa kita ng bangko, kabilang ang lags, rolling statistics, differencing, calendar at holiday effects, cohort at lifecycle indicators, at marketing o campaign flags na sumasalo sa mga pagbabago ng demand at structural breaks.
Lag at lead features para sa kitaRolling means, volatility, at ratiosCalendar, holiday, at payday effectsCohort at lifecycle based featuresMarketing at campaign impact flagsAralin 10Data splitting at cross-validation para sa time series: train/validation/test splits, expanding window CV, blocked CVMagdisenyo ng time-aware data splits at cross-validation schemes para sa pagbubuwis ng kita, kabilang ang rolling at blocked approaches, upang maiwasan ang leakage, gayahin ang production use, at makakuha ng reliable na estimates ng model performance sa paglipas ng panahon.
Holdout train, validation, at test splitsRolling at expanding window validationBlocked cross-validation para sa seasonalityPagpigil sa temporal leakage sa featuresBacktesting sa maraming forecast originsAralin 11Evaluation metrics at error analysis: MAE, RMSE, MAPE, symmetric MAPE, prediction intervals at coverageI-e-evaluate ang mga hula ng kita gamit ang mga metrics tulad ng MAE, RMSE, MAPE, symmetric MAPE, at interval coverage, at gumawa ng detalyadong error analysis ayon sa segment, horizon, at regime upang matuklasan ang mga bias at kahinaan ng modelo.
Scale-dependent error metricsPercentage at relative error metricsPrediction intervals at coverageHorizon at segment level diagnosticsRegime at event-driven error analysisAralin 12Macro at external regressors: paggamit ng CPI, unemployment, interest rates, mobility, Google Trends; feature selection at lag alignmentIsama ang macroeconomic at external regressors sa mga modelo ng kita, tulad ng CPI, unemployment, interest rates, mobility, at search trends, at matuto ng mga teknik para sa lag alignment, scaling, at feature selection upang maiwasan ang overfitting.
Pagpili ng relevant macro indicatorsPag-aayon ng lags sa pagitan ng macro at kitaPag-transform at scaling ng external dataFeature selection at regularizationStress at scenario overlays na may macros
