Обсуждение статьи "Машинное обучение и Data Science (Часть 34): Разложение временных рядов, раскрываем саму суть фондового рынка"

Новый комментарий
 

Опубликована статья Машинное обучение и Data Science (Часть 34): Разложение временных рядов, раскрываем саму суть фондового рынка:

В мире, переполненном шумными и непредсказуемыми данными, выявление значимых закономерностей может быть непростой задачей. В этой статье мы рассмотрим сезонное разложение (seasonal decomposition) — мощный аналитический метод, который помогает разделить данные на ключевые компоненты: тренд, сезонные закономерности и шум. Разбив данные на такие составляющие, мы можем выявить скрытые закономерности и работать с более чистой и понятной информацией.

Тренд

Трендовая составляющая временных рядов относится к долгосрочным изменениям или закономерностям, наблюдаемым с течением времени.

Она отражает общее направление движения данных. Например, если данные со временем растут, то трендовая составляющая будет иметь восходящий наклон, а если снижаются, то нисходящий.

Это знакомо практически всем трейдерам: чтобы определить тренд, достаточно просто взглянуть на график.

Сезонность

Сезонная составляющая временного ряда данных относится к циклическим закономерностям, наблюдаемым в течение определенного периода времени. Например, если мы анализируем ежемесячные данные о продажах розничного продавца, специализирующегося на товарах для дома и подарках, то сезонный компонент будет отражать тот факт, что продажи, как правило, достигают пика в декабре из-за рождественских покупок, а затем стабилизируются после окончания праздничного сезона в январе, феврале и т. д.

Остаток

Остаточная составляющая данных временного ряда представляет собой случайную вариацию, остающуюся после учета тренда и сезонной составляющей. Она представляет собой шум или ошибку в данных, которые нельзя объяснить трендом или сезонными закономерностями.

Чтобы лучше это понять, взглянем на изображение ниже.


Автор: Omega J Msigwa

Новый комментарий