Анализ временных рядов

Формат Очный
содержание 5 тем
Длительность 16 часов
По завершении Удостоверение

О курсе

Курс направлен на формирование теоретических знаний и развитие практических навыков, необходимых для анализа и прогнозирования временных рядов. В процессе обучения слушатели изучат методы и инструменты обработки временных рядов и познакомятся с различными моделями прогнозирования временных рядов, включая как классические модели, так и методы машинного обучения.

Курс является практико-ориентированным и построен как последовательность взаимосвязанных блоков. В каждом из блоков теоретический материал подкрепляется разбором практических заданий, сформированных в Python (или R) на основе реально выполненных проектов.

Программа курса

Изучение свойств и структуры временного ряда

  • Выявления аномальных наблюдений (Box-plot, DFBETA, DFFITS, Cook’s distance, Leverage, методы ML)
  • Обработка пропущенных значений
  • Частотно-временные характеристики временного ряда
  • Выявление автокорреляции
  • Разбиение временного ряда на компоненты
    • Проверка гипотезы о наличии тренда
    • Проверка наличия сезонности
  • Сглаживание ряда:
    • Метод конечных разностей 
    • Простая и взвешенная скользящие средние 
    • Экспоненциальное сглаживание 
    • Аналитическое сглаживание 
  • Стабильность временного ряда. Тест Чоу 
  • Проверка стационарности временных рядов 
    • Классификация временных рядов по стационарности 
    • Признаки нестационарности временного ряда 
    • Тесты Дики — Фуллера. Тест Филипса — Перрона 
    • Понятие коинтеграции. Тест Энгла — Гренжера 

Длительность: 2 часа

Модели прогнозирования временных рядов

  • Обобщённые линейные модели (GLM)
  • Интегрированная модель авторегрессии — скользящего среднего (ARIMA)
  • Авторегрессионная модель с распределённым лагом (ARDL)
  • Обобщённая авторегрессионная модель условной гетероскедастичности (GARCH)
  • Модель коррекции ошибок (ECM)
  • Модели на основе цепей Маркова


Длительность: 2 часа

Модели и методы машинного обучения для прогнозирования временных рядов

  • Многослойный перцептрон
  • Байесовские нейронные сети
  • Рекуррентные нейронные сети
  • Метод опорных векторов
  • Обобщённые регрессионные нейронные сети (GRNN)

Длительность: 2 часа

Оценка качества модели временного ряда

  • Проверка корректности модели
  • Оценка точности моделиa

Длительность: 2 часа

Использование R (или Python) для анализа временных рядов

Длительность: 2 часа

Появились вопросы по курсу?

Оставьте свои контактные данные и наш специалист свяжется с вами, чтобы ответить на ваши вопросы

Нажимая на кнопку «Получить консультацию», вы даете согласие на обработку своих персональных данных

Обучение в
EcoAcademy

Выберите интересные для вас курсы и темы

Выберите очный формат или онлайн-формат веб-конференции. Изучайте новый материал

Сдайте экзамен в рамках соответствующей специализации

Получите удостоверение о повышении квалификации или сертификат о прохождении обучения

Вы — востребованный специалист

Преподаватели

Наталья Поморцева

Магистр в области статистики финансов, ведущий аналитик с обширным опытом проверки статистических гипотез и построения/валидации математических моделей в различных областях

Подробнее

Александр Марков

Head of Practice, кандидат физико-математических наук c многолетним опытом работы в должности доцента на кафедре высшей математики и математической физики ТПУ, обширным практическим опытом

Подробнее

Сергей Зюбин

Сергей имеет многолетний опыт валидации математических моделей ведущих зарубежных банков на соответствие регуляторным требованиям PRA, FINMA, FED

Подробнее
Начните свое обучение вместе с EcoAcademy