Data Science и аналитика

Учебник Анализ временных рядов для начинающих

26 уроков · 8 разделов · бесплатно, без регистрации

Полный курс по анализу и прогнозированию временных рядов: от того, чем ряд отличается от обычных данных, до ARIMA, Prophet и ML-подхода с градиентным бустингом. Вы научитесь раскладывать ряд на тренд, сезонность и шум, проверять стационарность, читать ACF/PACF, строить сглаживание и экспоненциальные модели, честно валидировать прогноз без утечки из будущего и выбирать метрики MAE/MAPE/RMSE. Практический фокус — прогнозирование спроса, трафика и продаж.

Курс «Анализ временных рядов» состоит из 8 разделов и 26 уроков: Что такое временной ряд, Компоненты и разведочный анализ, Стационарность, Автокорреляция: ACF и PACF, Сглаживание и экспоненциальные модели, Декомпозиция и модели ARIMA, Метрики, валидация и ML-признаки и Современные методы и подводные камни. Уроки идут по порядку — от основ к более сложным темам, в каждом есть объяснение с примерами, а в конце — вопросы для самопроверки. К урокам привязаны задачи с автоматической проверкой: прочитали тему — сразу закрепили её кодом.

Программа курса

1 Что такое временной ряд
1. Временной ряд и почему он особенный
  Что такое временной ряд, чем он отличается от табличных данных и почему порядок наблюдений несёт информацию.
2. Регулярные и нерегулярные ряды, гранулярность
  Регулярные и нерегулярные временные ряды, выбор гранулярности (день/час/неделя) и ресемплинг к единой сетке.
3. Постановка задачи прогноза: горизонт и цель
  Как ставить задачу прогноза: горизонт, шаг, что именно предсказываем и зачем нужны интервалы, а не только точечная оценка.
2 Компоненты и разведочный анализ
1. Тренд, сезонность, цикл и шум
  Четыре компоненты временного ряда: тренд, сезонность, цикл и шум — что это и как они складываются в наблюдаемый ряд.
2. Визуальный разведочный анализ ряда
  Разведочный анализ временного ряда: ASCII-графики уровня и изменений, поиск тренда, сезонности и выбросов глазами.
3. Описательная статистика ряда
  Описательные характеристики ряда: среднее, дисперсия, размах, скользящие статистики и почему они меняются во времени.
3 Стационарность
1. Что такое стационарность и зачем она нужна
  Стационарность временного ряда: постоянство среднего и дисперсии во времени и почему классические модели её требуют.
2. Тест Дики-Фуллера
  Тест Дики-Фуллера (ADF) на стационарность: что проверяет нулевая гипотеза, как читать p-value и принимать решение.
3. Приведение к стационарности: разности и логарифм
  Как сделать ряд стационарным: дифференцирование (обычное и сезонное) и логарифмирование для стабилизации дисперсии.
4 Автокорреляция: ACF и PACF
1. Автокорреляция и функция ACF
  Что такое автокорреляция, как считается ACF и что её значения говорят о тренде и сезонности ряда.
2. Частная автокорреляция PACF
  Частная автокорреляция (PACF): чем отличается от ACF, что показывает чистую связь на лаге и как помогает выбрать порядок AR.
5 Сглаживание и экспоненциальные модели
1. Скользящее среднее как сглаживание
  Скользящее среднее для сглаживания шума и выделения тренда: окно, запаздывание и наивный прогноз по среднему.
2. Простое экспоненциальное сглаживание
  Простое экспоненциальное сглаживание (SES): рекуррентная формула, параметр alpha и прогноз для ряда без тренда.
3. Метод Хольта и Хольта-Винтерса
  Двойное (Хольт) и тройное (Хольта-Винтерса) экспоненциальное сглаживание: добавляем тренд и сезонность в прогноз.
6 Декомпозиция и модели ARIMA
1. Декомпозиция ряда: аддитивная и STL
  Классическая декомпозиция временного ряда на тренд, сезонность и остаток вручную; идея STL-декомпозиции.
2. AR, MA и интегрирование: интуиция ARIMA
  Интуиция компонент ARIMA: авторегрессия AR, скользящее среднее ошибок MA и интегрирование I (дифференцирование).
3. Подбор p, d, q и SARIMA
  Как подбирать параметры ARIMA по ACF/PACF и критериям AIC, и как SARIMA добавляет сезонные параметры.
7 Метрики, валидация и ML-признаки
1. Метрики прогноза: MAE, MAPE, RMSE
  Метрики качества прогноза MAE, MAPE и RMSE: как считаются, чем различаются и почему R² для рядов опасен.
2. Правильная валидация без утечки из будущего
  Валидация временных рядов: rolling и expanding window, запрет на перемешивание и как избежать утечки из будущего.
3. ML-подход: лаги, окна и календарные признаки
  Прогноз рядов через ML: лаговые и оконные признаки, календарные фичи и применение градиентного бустинга.
8 Современные методы и подводные камни
1. Prophet от Facebook: обзор
  Обзор Prophet: аддитивная модель тренда, сезонности и праздников, её сильные стороны и где она уместна.
2. Прогноз нейросетями: LSTM и обзор
  Обзор нейросетевого прогноза рядов: рекуррентные сети LSTM, окна-последовательности и когда нейросети оправданы.
3. Многомерные ряды и экзогенные переменные
  Многомерные временные ряды и экзогенные переменные: как цена, погода и промо помогают прогнозу через SARIMAX и ML.
4. Обнаружение аномалий во временных рядах
  Обнаружение аномалий в рядах: z-оценка, скользящая медиана и остатки после декомпозиции для поиска выбросов.
5. Пропуски и нерегулярные ряды
  Работа с пропусками во временном ряде: ffill, интерполяция, ресемплинг нерегулярных рядов и риски заполнения.
6. Типичные ошибки прогнозиста
  Главные ошибки в прогнозе рядов: утечка из будущего, переобучение на сезонности и прогноз без интервалов.

Программа курса

1 Что такое временной ряд

2 Компоненты и разведочный анализ

3 Стационарность

4 Автокорреляция: ACF и PACF

5 Сглаживание и экспоненциальные модели

6 Декомпозиция и модели ARIMA

7 Метрики, валидация и ML-признаки

8 Современные методы и подводные камни