Временные ряды в экономике

Модератор: Алексей Драль, CEO, BigData Team
Секция посвящена вопросам применения машинного обучения в экономике, в первую очередь, в части моделирования процессов развивающихся во времени. Мы разберем конкретные экономические кейсы, нестандартные задачи применения текстовой аналитики для задач анализа и прогнозирования экономических временных рядов, новые перспективные источники данных для решения задач моделирования экономических процессов.
Модели связи финансовых временных рядов и текстовых данных
Современная финансовая индустрия использует с одной стороны большое количество различных временных рядов для описания экономических процессов: котировки акций, банковские резервы, рейтинги компаний и так далее, с другой стороны, быстрорастущее текстовое представление данных: новости, социальные сети, отчеты аналитиков. Мы рассмотрим принципы построения интерпретируемых и масштабируемых моделей, учитывающие обе упомянутые модальности данных, ответим на основной вопрос клиента о портфеле – «почему подешевела или подорожала та или иная акция?», а так же коснемся биржевых стратегий, учитывающих тональность и разнообразие новостного фона.
Алексей Рябых , управляющий директор, Управление перспективных алгоритмов машинного обучения, ВТБ
Онлайн скрейпинг: Новый источник данных по поребительским ценам
Мы документируем новый источник микроданных о потребительских ценах. Новая база позволяет исследователям, изучающим поведение потребительских цен, получить доступ к оперативным и гранулярным данным на уровне первичных статистических наблюдений. Спектр наблюдаемых цен включает товары и услуги, полностью охватывает выборку индекса потребительских цен Росстата и выходит за ее пределы. В этой работе мы преследуем две цели. Во-первых, мы описываем механизм наблюдения, структуру данных, их доступность, демонстрируем четыре примера использования API для данных в прикладных задачах: обучение моделей машинной классификации текстовых названий, оперативный мониторинг цен класса товаров, построение гедонистических регрессий для товарных групп, расчет произвольных аналитических индексов цен. Во-вторых, в интересах исследователей, заинтересованных в создании собственных наборов альтернативных данных, мы делимся набором базовых навыков и технологий.
Александр Исаков, главный экономист по России, ВТБ Капитал
Постолит Егор, аналитик, ВТБ Капитал
Россети и Mail.Ru Group. Under pressure
Александр Мамаев, руководитель группы анализа данных в проекте «Predict», Mail.Ru Group
From generalist to specialist: Making NeuralProphet the go-to library for finance
NeuralProphet is a neural forecasting library and spiritual successor to the famous Facebook Prophet. Its focus is on interpretability and ease of use for the general user. However, this comes with tradeoffs. What would be necessary to adapt NeuralProphet for financial time series? In this talk, we discuss making NeuralProphet suitable for financial forecasting and what ideas the practitioner can take for her forecast practice.
Rodrigo Rivera Castro, Machine Learning Advisor, Alibaba; PhD in Computational and Data Science and Engineering, Skoltech
Использование данных ОФД для прогнозов в экономике
ОФД получает в реальном времени данные о покупках по всей стране. Далее, эта информация проходит процедуру обезличивания и агрегации и может быть использована в аналитических сервисах. Так как каждый факт покупки строго привязан к определённому времени (с точностью до секунды), эти данные могут быть использованы для построения самых разных временных рядов. Глубокая детализация данных позволяет находить взаимосвязь между динамикой продаж определённых товаров, категорий продуктов, товарообороте различных типов бизнеса и макроэкономических показателей.
Алексей Петрин, заместитель директора по развитию продукта, Первый ОФД

#datafusion #datascience #bigdata #ИИ #AI #machinelearning