Урок 1Питання впровадження: періодичність перенавчання, дані-пайплайни, моніторинг дрейфу та бектестування прогнозівПлануйте впровадження систем прогнозування доходів, включаючи періодичність перенавчання, автоматизовані пайплайни даних, моніторинг дрейфу даних та концептуального дрейфу, а також безперервне бектестування для забезпечення стабільної продуктивності в умовах мінливих ринкових умов.
Проектування надійних пайплайнів данихПланування перенавчання та оновленьМоніторинг дрейфу даних та концепційБезперервне бектестування та бенчмаркінгСтратегії сповіщень та откатуУрок 2Комунікація прогнозів з зацікавленими сторонами: візуалізація точкових прогнозів та інтервалів, сценарний аналіз, прозорість припущеньЕфективно комунікуйте прогнози доходів з зацікавленими сторонами за допомогою чітких візуалізацій точкових та інтервальних прогнозів, сценарного аналізу та прозорої документації припущень, обмежень та ризиків моделі.
Візуалізація точкових та інтервальних прогнозівПроектування сценарного та what-if аналізуПояснення драйверів та ключових ознакДокументування припущень та обмеженьАдаптація повідомлень до зацікавлених сторінУрок 3Моделі машинного навчання для часових рядів: випадкові ліси/градієнтний бустинг з лаговими ознаками, XGBoost/LightGBM, послідовні моделі (LSTM/GRU)Навчайте моделі машинного навчання для прогнозування доходів у часових рядах, включаючи ансамблі дерев з лаговими ознаками та послідовні моделі типу LSTM та GRU, враховуючи нестаціонарність, сезонність та гетерогенність на рівні продуктів.
Випадкові ліси з лаговими ознакамиГрадієнтний бустинг, XGBoost, LightGBMГлобальні проти локальних моделей прогнозуванняПослідовні моделі з LSTM та GRUОбробка нестаціонарності та масштабуванняУрок 4Формулювання цілей прогнозування та горизонтів оцінки (наприклад, наступні 3, 6, 12 місяців)Визначайте цілі прогнозування для основних банківських продуктів, обираючи цільові показники, горизонти та гранулярність, узгоджуючи їх з бізнес-рішеннями, такими як бюджетування, ціноутворення, планування ліквідності та регуляторна звітність.
Вибір цільових показників доходів та одиницьВибір горизонтів прогнозування та частотиУзгодження прогнозів з бізнес-рішеннямиГранулярність за продуктами, сегментами та регіонамиОбробка нових продуктів та короткої історіїУрок 5Ідентифікація та отримання даних часових рядів (публічні фінансові серії, обсяги платежів, техніки синтетичної генерації)Дізнайтеся, як ідентифікувати, оцінювати та отримувати дані часових рядів для прогнозування банківських доходів, включаючи внутрішні метрики продуктів, публічні фінансові серії та синтетичні дані, що безпечно доповнюють дефіцитні або зашумлені історичні записи.
Каталогізація внутрішніх серій доходів продуктівВикористання публічних джерел макро- та ринкових данихЗбір даних про обсяги платежів та транзакційОцінка якості даних, прогалин та ревізійГенерація синтетичних даних для стресових сценаріївУрок 6Навчання та налаштування гіперпараметрів: пошук по сітці/випадковий пошук, байєсівська оптимізація, оцінка з урахуванням часуОптимізуйте продуктивність моделі за допомогою структурованих стратегій налаштування гіперпараметрів, включаючи пошук по сітці та випадковий пошук, байєсівську оптимізацію та оцінку з урахуванням часу, що поважає часову впорядкованість та фокусується на критичних бізнес-горизонтах.
Визначення просторів пошуку та апріорних розподілівКомпроміси пошуку по сітці та випадкового пошукуРобочі процеси байєсівської оптимізаціїВалідація та оцінка з урахуванням часуРаннє зупинення та обмеження ресурсівУрок 7Ансамблювання моделей та узгодження: просте усереднення моделей, зважені ансамблі, стекінг для часових рядівПоєднуйте кілька моделей прогнозування банківських доходів за допомогою простих середніх, зважених ансамблів та стекінгу, застосовуючи ієрархічне узгодження для забезпечення когерентних прогнозів по продуктах, філіях та організаційних рівнях.
Просте та зважене усереднення моделейСтекінг та мета-навчальники для серійРізноманітність та кореляція між моделямиІєрархічне та групове узгодженняОцінка стабільності ансамблю в часіУрок 8Базові методи часових рядів: ARIMA, ETS, наївні та сезонні наївні моделі, декомпозиція (тренд/сезонність)Досліджуйте базові моделі часових рядів для банківських доходів, включаючи наївні, сезонні наївні, ARIMA, ETS та декомпозицію, для встановлення референтної продуктивності та інтерпретації трендів і сезонності перед використанням складних моделей машинного навчання.
Наївні та сезонні наївні бенчмаркиКласична декомпозиція тренду та сезонностіМоделювання ARIMA для серій банківських доходівЕкспоненційне згладжування та варіанти ETSПорівняння базових моделей по продуктахУрок 9Інжиніринг ознак для доходів: лаги, ковзні середні/стандартні відхилення, диференціювання, календарні ефекти, індикатори свят, ефекти когорт, прапорці маркетингу/кампанійСтворюйте передбачувальні ознаки для банківських доходів, включаючи лаги, ковзні статистики, диференціювання, календарні та святкові ефекти, індикатори когорт та життєвих циклів, прапорці маркетингу чи кампаній, що фіксують зсуви попиту та структурні розриви.
Лагові та лідові ознаки для доходівКовзні середні, волатильність та співвідношенняКалендарні, святкові та ефекти дня виплатиОзнаки на основі когорт та життєвих циклівПрапорці впливу маркетингу та кампанійУрок 10Розділення даних та крос-валідація для часових рядів: розподіли train/validation/test, розширююче вікно CV, блокована CVПроектуйте розділення даних та схеми крос-валідації з урахуванням часу для прогнозування доходів, включаючи ковзні та блоковані підходи, щоб уникнути витоку, імітувати виробниче використання та отримувати надійні оцінки продуктивності моделі в часі.
Розподіли holdout train, validation та testКовзне та розширююче вікно валідаціїБлокована крос-валідація для сезонностіЗапобігання часовому витоку в ознакахБектестування по декількох точках початку прогнозуУрок 11Метрики оцінки та аналіз помилок: MAE, RMSE, MAPE, симетрична MAPE, інтервали прогнозів та покриттяОцінюйте прогнози доходів за допомогою метрик, таких як MAE, RMSE, MAPE, симетрична MAPE та покриття інтервалів, проводьте детальний аналіз помилок по сегментах, горизонтах та режимах для виявлення упереджень та слабких місць моделі.
Метрики помилок, залежні від масштабуВідсоткові та відносні метрики помилокІнтервали прогнозів та покриттяДіагностика на рівні горизонтів та сегментівАналіз помилок за режимами та подіямиУрок 12Макро- та зовнішні регресори: використання CPI, безробіття, відсоткових ставок, мобільності, Google Trends; вибір ознак та узгодження лагівІнтегруйте макроекономічні та зовнішні регресори в моделі доходів, такі як CPI, безробіття, відсоткові ставки, мобільність та тренди пошуку, вивчайте техніки узгодження лагів, масштабування та вибору ознак для уникнення перенавчання.
Вибір релевантних макроіндикаторівУзгодження лагів між макро та доходамиТрансформація та масштабування зовнішніх данихВибір ознак та регуляризаціяСтрес та сценарні накладки з макро
