Анализ и моделирование временных рядов методами машинного обучения

2024/2025

Учебный год

RUS

Обучение ведется на русском языке

3

Кредиты

Кто читает:

Кафедра математической экономики (Нижний Новгород) (Факультет экономики НИУ ВШЭ (Нижний Новгород))

Статус:

Маго-лего

Когда читается:

3 модуль

Преподаватель

Лапинова Светлана Александровна

Программа дисциплины

Аннотация

В процессе изучения курса будут рассмотрены вопросы моделирование динамики временных рядов для социальных, финансовых и других процессов. Рассмотрен как подход, основанный на авторегрессионных моделях, так и применение бустинговых методов, фурье и вейвлет анализ В результате слушатели овладеют навыками и инструментами оценки параметров и прогнозирования основных показателей динамических процессов, приобретут навыки обработки статистических данных и применения эконометрических пакетов для анализа временных рядов.

Цель освоения дисциплины

• Ознакомление студентов с методами анализа и моделирования временных рядов

Планируемые результаты обучения

• Студент различает основные случайные процессы и умеет вычислять их параметры
• Оценивает параметры моделей векторной авторегрессии
• Умеет выбрать адекватный метод обработки и анализа временных рядов при решении конкретных прикладных задач
• Умеет оценивать параметры моделей с авторегрессионной условной гетероскедастичностью
• Умеет применять тесты на стационарность и единичный корень при анализе временных рядов
• Уметь вычислять вероятности элементарных событий
• Уметь применять формулу полной вероятности и формулу Байеса
• Умеет вычислять основные статистические параметры
• Различает основные распределения, умеет вычислять параметры нормального и равномерного распределений
• Умеет работать с выбросами и пропущенными данными. Выполняет графический и статистический анализ данных
• Умеет планировать статистический эксперимент, формулировать гипотезы
• Умеет строить модели линейной регрессии
• Умеет ставить задачи с применением логистической регрессии. Строит логистические регрессии. Анализирует качество моделей
• Умеет строить кластеры с помощью библиотек языка Python
• Анализирует поведение временного ряда. Строит простые модели временных рядов

Содержание учебной дисциплины

• Определение и вероятностное описание случайных процессов
• Основные методы анализа одномерных временных рядов. Методы машинного обучения для статистического анализа временных рядов
• Модели авторегрессии и скользящего среднего стационарных временных рядов
• Тесты для анализа временных рядов. Коинтеграция временных рядов.
• Модели с авторегрессионной условной гетероскедастичностью
• Векторная авторегрессия
• Градиентный бустинг
• Анализ временных рядов с помощью сетевых моделей. Кластерный анализ

Элементы контроля

• контрольная
• проект

Промежуточная аттестация

• 2024/2025 3rd module
  0.5 * контрольная + 0.5 * проект

Список литературы

Рекомендуемая основная литература

• Барский, А. Б. Введение в нейронные сети : учебное пособие / А. Б. Барский. — 2-е изд. — Москва : ИНТУИТ, 2016. — 358 с. — Текст : электронный // Лань : электронно-библиотечная система. — URL: https://e.lanbook.com/book/100684 (дата обращения: 00.00.0000). — Режим доступа: для авториз. пользователей.
• Демидова, Л. А. Интеллектуальный анализ данных на языке Python : учебно-методическое пособие / Л. А. Демидова. — Москва : РТУ МИРЭА, 2021. — 92 с. — Текст : электронный // Лань : электронно-библиотечная система. — URL: https://e.lanbook.com/book/218693 (дата обращения: 00.00.0000). — Режим доступа: для авториз. пользователей.
• Искусственные нейронные сети : учебник / В. В. Цехановский, Е. Ю. Бутырский, Н. А. Жукова [и др.] ; под ред. В. В. Цехановского. — Москва : КноРус, 2024. — 350 с. — ISBN 978-5-406-13273-9. — URL: https://book.ru/book/954274 (дата обращения: 26.08.2024). — Текст : электронный.
• Канторович, Г. (2003). Лекции: Анализ Временных Рядов.
• Канторович, Г. (2003). Лекции: Анализ Временных Рядов. Экономический Журнал Высшей Школы Экономики, 7(1).
• Маккинни, У. Python и анализ данных. Первичная обработка данных с применением pandas, NumPy и Jupiter : справочник / У. Маккинни , перевод с английского А. А. Слинкина. — 3-е изд. — Москва : ДМК Пресс, 2023. — 536 с. — ISBN 978-5-93700-174-0. — Текст : электронный // Лань : электронно-библиотечная система. — URL: https://e.lanbook.com/book/348086 (дата обращения: 00.00.0000). — Режим доступа: для авториз. пользователей.
• Подкорытова, О. А.  Анализ временных рядов : учебное пособие для вузов / О. А. Подкорытова, М. В. Соколов. — 2-е изд., перераб. и доп. — Москва : Издательство Юрайт, 2023. — 267 с. — (Высшее образование). — ISBN 978-5-534-02556-9. — Текст : электронный // Образовательная платформа Юрайт [сайт]. — URL: https://urait.ru/bcode/511456 (дата обращения: 27.08.2024).
• Соробин, А. Б. Сверточные нейронные сети: примеры реализаций : учебно-методическое пособие / А. Б. Соробин. — Москва : РТУ МИРЭА, 2020. — 159 с. — Текст : электронный // Лань : электронно-библиотечная система. — URL: https://e.lanbook.com/book/163853 (дата обращения: 00.00.0000). — Режим доступа: для авториз. пользователей.
• Татарникова, Т. М. Интеллектуальный анализ данных : учебное пособие / Т. М. Татарникова. - Москва ; Вологда : Инфра-Инженерия, 2024. - 172 с. - ISBN 978-5-9729-1772-3. - Текст : электронный. - URL: https://znanium.ru/catalog/product/2169704
• Ярушкина, Н. Г. Интеллектуальный анализ временных рядов : учебное пособие / Н. Г. Ярушкина, Т. В. Афанасьева, И. Г. Перфильева. — Москва : ФОРУМ : ИНФРА-М, 2022. — 160 с. — (Высшее образование). - ISBN 978-5-8199-0496-1. - Текст : электронный. - URL: https://znanium.com/catalog/product/1842559

Авторы

• Лапинова Светлана Александровна