Древний игрок на арене прогнозирования временных рядов. Много материала. Хорошо изучен. Однако простого русского пересказа статьи про автоподбор для чайников я не видел!
Automatic Time Series Forecasting: The forecast Package for R
Hyndman, Forecasting Principles and Practice
PyFlux: python time series library
Не менее древний игрок, чем ARIMA. По каким-то неведомым мне причинам используется гораздо реже, чем заслуживает. Большинство университетских курсов по временным рядам содержат блок про ARIMA и полный ноль про ETS, хотя это два лидера в прогнозировании одномерных временных рядов.
Automatic Time Series Forecasting: The forecast Package for R
Hyndman, Forecasting Principles and Practice
PyFlux: python time series library
Мощь старых приёмов (ETS + преобразование Бокса-Кокса) и сезонность сложной структуры.
Hyndman, Forecasting with complex seasonality
Родственник ETS.
PyFlux: python time series library
Три пакета для байесовских структурных временных рядов:
Довольно молодой игрок. Байесовский подход, но по сути, прямой родственник ETS. Готовый пакет от гугла.
Steven Scott, Short course on BSTS
Hal Varian, Steven Scott, Predicting the present
Prophet: Automatic Forecasting Procedure
Совсем юный игрок для дневных рядов. Аналогично с bsts: байесовский подход и родственник ETS. Готовый код в STAN. Пакет от фейсбука.
реализация bsts в STAN
SSA, «Гусеница»
Собственные значения и собственные векторы приходят на помощь :)
Градиентный бустинг применительно к рядам. Вопрос в том, как создавать объясняющие переменные.
R package to forecast timeseries with the xgboost
Случайные лес применительно к рядам. Аналогично, вопрос в том, как создавать объясняющие переменные.
ranger: fast random forests in R
Неожиданно простой метод для коротких рядов.
Hyndman, Forecasting Principles and Practice
Лассо применительно к векторным авторегрессиям.
Nicholson, BigVAR User’s Guide
Если есть желание изложить другой алгоритм, спрашивайте!
Излагаешь алгоритм простым языком. Насколько подробно писать? Представь, что ты излагаешь себе самому этот алгоритм в тот момент, когда ты его не знаешь. Если какой-то переход никак не становится ясен, так честно и пишем «как из … следует … я не понял».
Приводим примеры с разными опциями. Для каждого примера объясняем аккуратно модель и код для оценивания.
Код очень желательно привести не менее чем в двух языках. Можно использовать julia, R, python.
Оформление: латех или маркдаун.
Не менее 10 рядов для анализа. Желательно больше. Не забывайте про графики рядов! Помните также, что графики не исчерпываются осями (t, $y_t$). При желании можно обработать 1000 рядов :)
Сравниваем качество прогнозов с двумя наивными методами: «завтра будет также, как сегодня» и «усредним прошлые значения». В качестве меры качества прогноза берём сумму квадратов ошибок прогноза вне обучающей выборки.
Ссылки:
Hyndman, Forecasting Principles and Practice
Краткий трёхдневный семинар по прогнозированию рядов в R
Tourism forecasting competition
sophisthse: российские макро ряды