Классическое семейство: авторегрессия, скользящее среднее ошибок и их комбинация с дифференцированием.
Ключевые тезисы
- Порядки (p, d, q) выбирают по ACF/PACF и информационным критериям.
- Работает на коротких стационарных рядах, где переобучаются.
- Даёт прозрачные прогноза.
Подробный разбор
- малая величина: шум, допуск или защита от деления на ноль
- истинное значение целевой переменной
- вероятность (или плотность распределения)
- суммирование по всем перечисленным элементам
- параметры модели
- малая величина: шум, допуск или защита от деления на ноль
- истинное значение целевой переменной
- распределение, предсказанное моделью
- суммирование по всем перечисленным элементам
AR говорит: «сегодняшнее значение зависит от прошлых значений». MA: «сегодняшнее значение зависит от прошлых ошибок прогноза». () объединяет обе идеи на раз продифференцированном ряду.
- Привести ряд к , зафиксировать .
- Посмотреть ACF/PACF, наметить диапазон и .
- Перебрать сетку и выбрать по AIC/BIC (или воспользоваться auto_arima).
- Проверить остатки: они должны быть белым шумом — тест Люнга — Бокса не должен отвергать нулевую гипотезу.
хорошо работает на коротких стационарных рядах с ясной структурой. При богатых внешних (акции, погода, праздники) её почти всегда обыгрывает на лагах.
Связанные темы
Прогнозирование рядов
Stationarity85%
Стационарность · Временные рядыПостоянство статистических свойств ряда во времени — предпосылка большинства классических моделей.
Autocorrelation85%
Автокорреляция · Временные рядыСвязь ряда с собственными прошлыми значениями — главный источник признаков и диагностики.
SARIMA85%
SARIMA · Временные рядыARIMA с явными сезонными компонентами — для рядов с недельной, месячной или годовой периодикой.
Exponential Smoothing85%
Экспоненциальное сглаживание · Временные рядыВзвешивание прошлых наблюдений с экспоненциально убывающими весами; модель Хольта — Винтерса добавляет тренд и сезонность.
Prophet85%
Prophet · Временные рядыАддитивная модель тренда, сезонностей и праздников с упором на удобство для аналитика.
Feature-based forecasting85%
Прогноз через признаки · Временные рядыРяд превращается в табличную задачу: лаги, скользящие статистики, календарь — и дальше градиентный бустинг.
RNN/LSTM85%
RNN/LSTM для рядов · Временные рядыНейросети, обучаемые сразу на множестве связанных рядов, улавливают общие паттерны.
Transformer forecasting85%
Трансформеры для прогноза · Временные рядыВнимание над длинными горизонтами: Informer, Autoformer, PatchTST, TFT.
Усиливает профиль: Data Scientist, Аналитик данных, Инженер речи.
Тема встречается в тесте по направлениям — ошибки приведут обратно на эту страницу.
Глава «Временные ряды» последний раз правилась . Нашли ошибку — напишите.