Публикации по теме 'time-series-forecasting'
Секретное оружие трейдера: анализ временных рядов для прогнозирования финансовых рынков
Добро пожаловать в мир финансов и науки о данных! Если вы инвестор, то знаете, что предсказывать тенденции финансового рынка — все равно, что пытаться предсказать погоду — это не всегда легко. Но не бойтесь, потому что с помощью анализа временных рядов вы можете делать обоснованные прогнозы на основе исторических данных.
В этой статье я рассмотрю основы анализа временных рядов и покажу вам, как их можно использовать для прогнозирования тенденций финансового рынка. И не волнуйтесь,..
Прогноз продаж с LSTM
После создания информационных панелей и отчетов, отражающих текущую производительность операций, мы хотим делать прогнозы на основе исторических данных. Это чрезвычайно полезно для подготовки сырья. Это также может быть эталоном; если фактические продажи не совпадают с прогнозом, могут возникнуть проблемы. Точно так же после расчета прогноза продаж мы могли бы использовать те же методы для прогнозирования спроса, прогнозирования цен и т. д.
Введение в разработку функций для прогнозирования временных рядов
Автор Francesca Lazzeri . Эта статья является выдержкой из книги Машинное обучение для прогнозирования временных рядов с помощью Python , также выпущенной Lazzeri, опубликованной Wiley.
Применение пакетов Python и машинного обучения для ускорения прогнозов обеспечивает масштабируемость, производительность и точность интеллектуальных решений, которые могут улучшить бизнес-операции. В то же время построение моделей машинного обучения (ML) часто занимает много времени и требует учета..
Достижения в области глубокого обучения для прогнозирования и классификации временных рядов: выпуск зимы 2023 г.
Падение преобразователей для прогнозирования временных рядов и появление методов встраивания временных рядов. Плюс достижения в обнаружении аномалий, классификации и оптимальном (t) вмешательстве.
Прошло довольно много времени с тех пор, как я написал обновленную информацию о состоянии глубокого обучения для временных рядов. Было проведено несколько конференций, и область в целом развивалась по-разному. Здесь я попытаюсь осветить некоторые из наиболее многообещающих, а также..
LazyProphet: прогнозирование временных рядов с помощью LightGBM
Все дело в особенностях
Когда мы думаем об усиленных деревьях в пространстве временных рядов, мы обычно имеем в виду соревнование M5, где значительная часть десяти лучших записей использовала LightGBM. Однако, если посмотреть на производительность усиленных деревьев в одномерном случае, когда нет множества экзогенных функций, которые можно было бы использовать, их производительность была… грубой.
До настоящего времени.
Раздел 1: Введение
Во-первых, я должен сделать несколько..
Я видел, что другие обучающие программы делали это — разбивая последовательность на несколько подпоследовательностей для CNN..не
Я видел, как это делалось в других учебниках — разделение последовательности на несколько подпоследовательностей для CNN.. не уверен, что это будет иметь большое значение.
Пророк против NeuralProphet
Наглядное сравнение известных моделей Prophet.
Модели пророков эффективны, интерпретируемы и просты в использовании. Но какой из них лучше?
В этом посте мы рассмотрим различия в реализации Prophet и Neural Prophet и проведем небольшой пример. Вот код .
Но прежде чем мы начнем программировать, давайте быстро рассмотрим некоторую справочную информацию, больше которой можно найти здесь .
Prophet (2017) является предшественником NeuralProphet (2020) — последний включает..