Постоянство статистических свойств ряда во времени — предпосылка большинства классических моделей.
Ключевые тезисы
- Проверяется тестами ADF и KPSS.
- Дифференцирование и логарифмирование убирают тренд и стабилизируют .
- требует отдельного сезонного дифференцирования.
Какую задачу решает
Классические модели временных рядов предполагают, что статистические свойства ряда не меняются во времени: среднее, и структура зависимостей одинаковы вчера, сегодня и завтра. Только при этом условии оценки, полученные на истории, имеют силу для будущего.
Реальные ряды почти всегда нестационарны: есть тренд, , меняющаяся волатильность. Поэтому первый шаг работы с рядом — привести его к стационарному виду: убрать тренд дифференцированием, сезонность — сезонным дифференцированием, растущую — логарифмом. Модель строится на преобразованном ряде, а прогноз возвращается в исходную шкалу.
, продифференцированный лишний раз, приобретает отрицательную первого порядка, которой в исходных данных не было. Модель начнёт её моделировать, прогноз станет колебательным и хуже наивного. Практический порядок: посмотрите на график и ACF, примените ADF и KPSS, продифференцируйте один раз, повторите проверку. Останавливайтесь, как только тесты перестали указывать на нестационарность — параметр в редко бывает больше 1, а уже требует обоснования.
Подробный разбор
Ряд слабо стационарен, если его среднее и постоянны, а автоковариация зависит только от лага, но не от времени. Большинство классических моделей построено именно на этом предположении.
- ADF-тест: — ряд нестационарен. Маленькое → .
- KPSS-тест: обратная. Два теста используют вместе — их выводы должны согласовываться.
- Тренд и — две самые частые причины нестационарности.
- приращение — малое изменение величины
- истинное значение целевой переменной
- Логарифм стабилизирует растущую (мультипликативный ряд превращается в аддитивный).
- Первая разность убирает линейный тренд, вторая — квадратичный (нужна редко).
- Сезонная разность с периодом убирает годовую или недельную .
- Порядок в — это ровно число применённых обычных дифференцирований.
Не переусердствуйте: избыточное дифференцирование добавляет шум и ухудшает прогноз. Обычно достаточно и .
Где применяется
- Подготовка к Параметр в — это в точности число дифференцирований до .
- Разведочный анализПонять, есть ли в ряде тренд и , до выбора модели.
- Обнаружение сдвига режимаПотеря сигнализирует об изменении процесса.
- Финансовые рядыПереход от цен к доходностям — тот же приём приведения к .
Плюсы, минусы и альтернативы
Плюсы
- Открывает доступ ко всему аппарату классических моделей.
- Дифференцирование и логарифм просты и обратимы.
- Помогает увидеть структуру ряда, скрытую трендом.
Минусы
- Избыточное дифференцирование вносит искусственную и ухудшает прогноз.
- Тесты слабы на коротких рядах и дают неоднозначные ответы.
- Обратное преобразование прогноза требует аккуратности с интервалами.
- Моделям машинного обучения на не нужна вовсе.
Брать, если
- Планируется или другая классическая модель.
- Нужно понять природу ряда до выбора подхода.
Не брать, если
- Прогноз строится бустингом на лаговых — там не требуется.
- Ряд короткий: тесты не дадут надёжного ответа.
Чем заменяют
Связанные темы
Хаос и предел предсказуемости · Прогнозирование рядов
Autocorrelation85%
Автокорреляция · Временные рядыСвязь ряда с собственными прошлыми значениями — главный источник признаков и диагностики.
AR / MA / ARIMA85%
AR / MA / ARIMA · Временные рядыКлассическое семейство: авторегрессия, скользящее среднее ошибок и их комбинация с дифференцированием.
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.
Logistic Map80%
Логистическое отображение · Динамические системы и фракталыПростейшая формула, порождающая хаос: следующее значение равно r·x·(1−x). Модель роста популяции с ограниченным ресурсом.
Bifurcations80%
Бифуркации · Динамические системы и фракталыКачественная перестройка поведения системы при плавном изменении параметра: одно равновесие сменяется двумя, цикл удваивает период.
Feigenbaum Constant80%
Постоянная Фейгенбаума · Динамические системы и фракталыУниверсальное число δ ≈ 4.669, описывающее скорость каскада удвоений периода. Одинаково для огромного класса совершенно разных систем.
Chaos80%
Детерминированный хаос · Динамические системы и фракталыПолностью детерминированная система, поведение которой невозможно предсказать надолго из-за чувствительности к начальным условиям.
Lyapunov Exponent80%
Показатель Ляпунова · Динамические системы и фракталыМера скорости разбегания близких траекторий. Положительное значение — признак хаоса.
Attractors80%
Аттракторы · Динамические системы и фракталыМножество, к которому стремятся траектории системы: точка, цикл, тор или странный аттрактор фрактальной структуры.
Takens' Theorem80%
Теорема Такенса · Динамические системы и фракталыМост между рядом и динамикой: по одному наблюдаемому сигналу можно восстановить топологию аттрактора системы.
TDA + Time Series80%
TDA и временные ряды · Топологический анализ данныхРяд вкладывается в фазовое пространство (Такенс), и топология полученного облака описывает динамику системы.
Anomaly detection80%
Поиск аномалий во времени · Временные рядыОбнаружение точечных выбросов, сдвигов уровня и аномальных подпоследовательностей.
Всё, что названо в описании, разобрано здесь же или в соседней теме — переходы под каждым определением.
Стационарность
Постоянство среднего, и автоковариаций во времени.
Разбор ниже: Что такое стационарностьДифференцирование
Переход к разностям : убирает линейный тренд.
Разбор ниже: Как привести к стационарностиСезонное дифференцирование
: убирает повторяющийся сезонный профиль.
Разбор ниже: Как привести к стационарностиТест ADF / KPSS
Формальные проверки . Полезно использовать оба: у них противоположные нулевые гипотезы.
Разбор ниже: Что такое стационарностьЛогарифмирование
Стабилизирует , растущую вместе с уровнем ряда.
Разбор ниже: Как привести к стационарностиУсиливает профиль: Data Scientist, Аналитик данных, Инженер речи.
Спрашивают на собеседовании: Яндекс — ASR / TTS, Ozon — Спрос и логистика, Wildberries — Спрос, цены и акции, X5 Tech — Спрос и пополнение, Самокат — Спрос и ассортимент даркстора, Dodo Brands — Прогноз заказов и планирование смен, Авиасейлс — Прогноз цен и подсказки, МегаФон — Сеть и геоаналитика, Selectel — Мощности и надёжность.
Тема встречается в тестах по направлениям — ошибки приведут обратно на эту страницу.
Глава «Временные ряды» последний раз правилась . Нашли ошибку — напишите.