1. Введение 6

1.1. Математический аппарат 6

1.2. Этапы построения ARIMA-модели 10

1.3. Дифференцирование временного ряда и необходимость обратного преобразования для прогнозов 11

1.4. Обоснование использования AR-членов или MA-членов 12

1.5. Интерпретация AR-членов 12

1.6. Интерпретация MA-членов 13

1.7. Подбор параметров ARIMA 13

1.8. Признаки хорошей модели 38

1.9. Оценивание параметров ARIMA-модели 40

1.10. Знакомство с классом ARIMA библиотеки Statsmodels 40

1.11. Знакомство с функцией auto_arima() пакета pmdarima 42

1.12. Зависимость поведения долгосрочных прогнозов модели от ее параметров 43

2. Иллюстрация применения ARIMA 43

2.1. Ежеквартальный ряд с сильным трендом (набор данных WPI) 44

3. Иллюстрация применения SARIMA 82

3.1. Ежемесячный ряд с аддитивным трендом и аддитивной сезонностью (набор данных Car Sales) 83

3.2. Ежеквартальный ряд с аддитивным трендом и мультипликативной сезонностью (набор данных Austourists) 104

3.3. Ежемесячный ряд с аддитивным трендом и мультипликативной сезонностью (набор данных Air Passengers) 122

4. Иллюстрация применения SARIMAX 138

4.1. Ежемесячный ряд с аддитивным трендом и аддитивной сезонностью (набор данных X5 Retail Group) 138

1. Введение 154

2. Иллюстрация применения 156

2.1. Визуализация временных рядов 157

2.2. Проверка причинной связи с помощью теста Грэнджера 158

2.3. Тест на коинтеграцию 161

2.4. Разбиение данных на обучающий и тестовый наборы 163

2.5. Проверка на стационарность и преобразование временных рядов в стационарные 164

2.6. Выбор порядка (p) VAR-модели 166

2.7. Обучение модели VAR с выбранным порядком (p) 168

2.8. Тест на автокорреляцию остатков (ошибок) на основе статистики Дарбина-Уотсона 169

2.9. Получение прогнозов 170

2.10. Выполнение обратных преобразований для получения прогноза в формате исходных данных 171

2.11. Вывод графиков прогнозов и фактических значений 172

2.12. Оценка качества прогнозов 173

1. Математический аппарат 175

2. Иллюстрация применения 177

1. Знакомство с методом градиентного бустинга 185

1.1. Общая идея бустинга 185

1.2. Связь градиентного спуска с алгоритмом бустинга 202

1.3. Градиентный бустинг 204

1.4. Градиентный бустинг для задачи регрессии 209

2. Советы по применению градиентного бустинга для временных рядов. 229

3. Удаление тренда и сезонности с последующим восстановлением для улучшения качества градиентного бустинга 231

3.1. Удаление тренда и сезонности в данных с аддитивным трендом и мультипликативной сезонностью 234

3.2. Удаление тренда и сезонности в данных с аддитивным трендом и аддитивной сезонностью 271

4. Задача Райффайзен Банка 289

4.1. На примере одного ряда (на продажи в магазине не влияют продажи/реклама остальных магазинов), построение базовой модели 289

4.2. На примере одного ряда (на продажи в магазине не влияют продажи/реклама остальных магазинов), перекрестная проверка 316

4.3. Все ряды (на продажи в магазине не влияют продажи/реклама остальных магазинов), посегментный подход 340

4.4. Все ряды (на продажи в магазине не влияют продажи/реклама остальных магазинов), мультисегментный подход 407

4.5. Все ряды (на продажи в магазине не влияют продажи/реклама остальных магазинов), мультисегментный подход, автоматизация построения базовой модели 491

4.6. Все ряды (на продажи в магазине не влияют продажи/реклама остальных магазинов), мультисегментный подход, автоматизация построения базовой модели c предварительной подготовкой в Polars 564

4.7. Все ряды (на продажи в магазине не влияют продажи/реклама остальных магазинов), мультисегментный подход, перекрестная проверка 578

4.8. Все ряды (на продажи в магазине влияют продажи/реклама остальных магазинов) 603

5. Задача Sibur Challenge 2021 634

5.1. Описание задачи 634

5.2. Разбор базовых решений 635

5.3. Разбор решения на основе модели CatBoost 642

1. Знакомство с евклидовым расстоянием и DTW-расстоянием 665

2. Применение кластеризации методов k средних и агломеративной иерархической кластеризации к временным рядам 679

1. Введение 682

2. Подходы к прогнозированию иерархических временных рядов 685

2.1. Восходящий подход (bottom-up) 685

2.2. Нисходящий подход (top-down) 686

2.3. Усредненный подход (middle-out) 686

2.4. Оптимально согласованный подход (optimal reconciliation) 686

3. Иллюстрация на практическом примере 688

3.1. Загрузка и предварительная подготовка данных, содержащих иерархические временные ряды 688

3.2. Создание иерархии 693

3.3. Визуализация 699

3.4. Построение модели для иерархического временного ряда 700