Моделирование временных рядов 20/21 — различия между версиями
Строка 36: | Строка 36: | ||
Семинар: Задача линейной регрессии. Метод наименьших квадратов. Теорема Гаусса-Маркова. Статистические свойства оценок. Автокорреляции. [https://youtu.be/dVrsAXHytgw Видео] | Семинар: Задача линейной регрессии. Метод наименьших квадратов. Теорема Гаусса-Маркова. Статистические свойства оценок. Автокорреляции. [https://youtu.be/dVrsAXHytgw Видео] | ||
− | |||
− | |||
− | |||
− | |||
− | |||
− | |||
Строка 49: | Строка 43: | ||
Семинар: Модели экспоненциального сглаживания. Модели Хольта-Винтерса. Модели ETS. [https://youtu.be/KU75dnwChCY Видео] [https://github.com/Pyatachokk/hse_ts_course/blob/master/2020-fall/seminars/sem_3.ipynb Ноутбук] | Семинар: Модели экспоненциального сглаживания. Модели Хольта-Винтерса. Модели ETS. [https://youtu.be/KU75dnwChCY Видео] [https://github.com/Pyatachokk/hse_ts_course/blob/master/2020-fall/seminars/sem_3.ipynb Ноутбук] | ||
+ | |||
+ | |||
+ | ==== Неделя 4 ==== | ||
+ | |||
+ | Лекция: | ||
+ | |||
+ | Семинар: Стабилизация дисперсии. Отбор моделей. Тестирование качества модели. Информационные критерии. Кросс-валидация. Метрики качества. [https://youtu.be/w_MBMoWJcGA Видео] [https://github.com/Pyatachokk/hse_ts_course/blob/master/2020-fall/seminars/sem_4.ipynb Ноутбук] | ||
Версия 18:40, 6 октября 2020
Содержание
О курсе
Курс по выбору для студентов для студентов 3 и 4 курса в 1-2 модулях.
Лектор: Демешев Борис Борисович
Лекции проходят на Покровке по четвергам в ауд. M203 (18:10 - 19:30)
Семинарист: Зехов Матвей Сергеевич
Семинары проходят на Покровке по вторникам в ауд. D504 (09:30 - 10:50)
Полезные ссылки
Телеграм-чат курса: https://t.me/joinchat/D7t-fhh536WKWc7kj3Amxw
Anytask курса: https://anytask.org/course/707
Гитхаб курса: https://github.com/Pyatachokk/hse_ts_course
Боевой листок
Неделя 1
Лекция: Наивная модель. Оценка параметра. Точечный и интервальный прогноз. Алгоритм DTW.
Семинар: Визуализация рядов, периодичность, тривиальные модели прогнозирования Видео Ноутбук
Дополнительно: видео про DTW
Неделя 2
Лекция: Наилучшее линейное приближение. Обычная и частная корреляция. Стационарность процесса. Очень краткое введение в МНК. Оценка корреляции. Видео
Семинар: Задача линейной регрессии. Метод наименьших квадратов. Теорема Гаусса-Маркова. Статистические свойства оценок. Автокорреляции. Видео
Неделя 3
Лекция: Модели ETS. Правдоподобие моделей ETS. видео
Семинар: Модели экспоненциального сглаживания. Модели Хольта-Винтерса. Модели ETS. Видео Ноутбук
Неделя 4
Лекция:
Семинар: Стабилизация дисперсии. Отбор моделей. Тестирование качества модели. Информационные критерии. Кросс-валидация. Метрики качества. Видео Ноутбук
Домашние задания
Общие правила
Домшние задания сдаются в энитаск. Инвайт был выслан в групповой чат.
Мягких дедлайнов нет. Все дедлайны жёсткие.
При обнаружении плагиата оценки за домашнее задание обнуляются всем задействованным в списывании студентам, а также подаётся докладная записка в деканат. Следует помнить, что при повторном списывании деканат имеет право отчислить студента.
При наличии уважительной причины пропущенную проверочную можно написать позднее, а дедлайн по домашнему заданию может быть перенесён. Дедлайн по домашнему заданию переносится на количество дней, равное продолжительности уважительной причины. Решение о том, является ли причина уважительной, принимает исключительно учебный офис.
В задачах на визуализацию все графики должны иметь оси/заголовки и прочие обязательные атрибуты. При их отсутствии графики оцениваться не будут.
Формат файла для сдачи домашнего задания:
Схема: ДЗ_{Номер домашнего задания}_{Фамилия кириллицей}_{Город (Москва/Петербург)}.ipynb
Пример: ДЗ_1_Зехов_Петербург.ipynb
Домашнее задание 1
Обработка данных. Визуализация. Построение тривиальных моделей прогнозирования.
Выдается: 27.09.2020 18.00
Дедлайн: 09.10.2020 23.00
Домашнее задание 2
Стабилизация дисперсии. Отбор моделей. Тестирование качества оценки модели. Кросс-валидация.
Выдается: 06.10.2020 18.30
Дедлайн: 18.10.2020 23.00
Домашнее задание 3
Модели ARIMA/SARIMA
Домашнее задание 4
Модели с ненаблюдаемыми компонентами. Фильтр Калмана.
Итоговая оценка за курс
Итог = 0.4 * ДЗ + 0.3 * КР + 0.3 * Экз
ДЗ — средняя оценка за домашние задания
КР — оценка за контрольную работу
Экз — оценка за письменный экзамен
Литература
- Tsay R. S. Analysis of financial time series
- Лекции курса по временным рядам от MIT.
- Коралов Л.Б., Синай Я.Г. — Теория вероятностей и случайные процессы
- Van der Vaart A. W. Time series lecture notes
- Hyndman R. J., Athanasopoulos G. Forecasting principles and practice, книга написана для языка R, однако можно найти полезные материалы по теории, в частности, по моделям ETS