Временной ряд

Временной ряд — это последовательность значений некоторой величины, зафиксированных в последовательные моменты времени (или через равные промежутки времени). Временные ряды являются одним из основных типов данных в статистике, эконометрике, машинном обучении и многих прикладных науках (экономика, финансы, метеорология, сейсмология, медицина, мониторинг производства). Ключевая особенность временного ряда — зависимость его значений от времени, что требует специальных методов анализа, учитывающих автокорреляцию, тренды и сезонность.

Основные характеристики

Временной ряд можно описать набором фундаментальных компонент, которые часто выделяют при анализе:

Тренд (Trend) — долгосрочная тенденция изменения ряда (рост, падение или стабильность). Может быть линейным, полиномиальным, экспоненциальным.
Сезонность (Seasonality) — периодические колебания, повторяющиеся с фиксированной частотой (например, ежедневные, еженедельные, годовые). Сезонность обычно связана с календарными или природными циклами.
Цикличность (Cyclicality) — колебания, не имеющие строго фиксированного периода, часто связанные с экономическими или деловыми циклами (например, кризисы, подъёмы). Отличается от сезонности нерегулярностью периода.
Случайная компонента (Noise, Residual) — остаток после выделения тренда, сезонности и цикличности. Представляет собой случайные флуктуации, не объяснимые систематическими факторами. В идеале шум должен быть стационарным и некоррелированным (белый шум).

Классификация временных рядов

Временные ряды классифицируют по нескольким признакам:

По характеру изменения значений

Стационарные (Stationary) — статистические характеристики (среднее, дисперсия, автокорреляция) не зависят от времени. Большинство методов анализа (ARIMA, спектральный анализ) предполагают стационарность.
Нестационарные (Non-stationary) — характеристики меняются со временем. Типичные примеры: ряды с трендом, сезонностью, изменяющейся дисперсией (гетероскедастичность). Для приведения к стационарности применяют дифференцирование (разности) или логарифмирование.

По типу временной шкалы

Равномерные (Equispaced) — интервал между наблюдениями строго фиксирован (например, ежедневные котировки, ежемесячные продажи).
Неравномерные (Unequispaced) — интервалы между наблюдениями различны (например, данные с датчиков, срабатывающих по событию, или астрономические наблюдения). Анализ таких рядов сложнее и требует специальных методов (например, интерполяции, моделирования с неравномерным шагом).

По количеству переменных

Одномерные (Univariate) — анализируется одна последовательность значений (например, цена акции).
Многомерные (Multivariate) — одновременно анализируется несколько взаимосвязанных рядов (например, цены нескольких акций, макроэкономические показатели). Для анализа используются векторные авторегрессии (VAR), коинтеграция, методы машинного обучения.

Методы анализа временных рядов

Анализ временных рядов включает три основные задачи: описание (выявление структуры), прогнозирование (предсказание будущих значений) и управление (выявление причинно-следственных связей). Основные методы:

Классические статистические методы

Автокорреляционный анализ (ACF, PACF) — оценка корреляции между значениями ряда, разделёнными заданным лагом. Используется для выявления сезонности и порядка модели.
Спектральный анализ (Фурье-преобразование) — разложение ряда на синусоидальные компоненты для выявления периодичностей.
Модели скользящего среднего (MA) и авторегрессии (AR) — простейшие линейные модели, описывающие зависимость текущего значения от прошлых ошибок (MA) или прошлых значений (AR).
Модель ARIMA (Autoregressive Integrated Moving Average) — обобщение AR и MA для нестационарных рядов (с дифференцированием). Одна из самых популярных моделей для прогнозирования.
Модель SARIMA (Seasonal ARIMA) — расширение ARIMA, учитывающее сезонность.
Модели экспоненциального сглаживания (Holt-Winters, ETS) — семейство методов, основанных на взвешенном усреднении прошлых значений с экспоненциально убывающими весами. Хорошо работают для рядов с трендом и сезонностью.

Методы машинного обучения

Регрессионные модели — линейная регрессия, полиномиальная регрессия, регрессия с лаговыми переменными.
Деревья решений и ансамбли — Random Forest, Gradient Boosting (XGBoost, LightGBM, CatBoost). Могут учитывать сложные нелинейные зависимости.
Нейронные сети — рекуррентные нейронные сети (RNN, LSTM, GRU), свёрточные нейронные сети (CNN), трансформеры (Time Series Transformer). Особенно эффективны для долгосрочного прогнозирования и многомерных рядов.
Методы снижения размерности — PCA, t-SNE, UMAP — для визуализации и выделения скрытых факторов.

Специализированные методы

Коинтеграция — анализ долгосрочной связи между несколькими нестационарными рядами (например, в финансах — для парного трейдинга).
Модели волатильности (GARCH, ARCH) — для анализа и прогнозирования дисперсии (волатильности) финансовых рядов.
Методы декомпозиции — STL (Seasonal-Trend decomposition using Loess), X-13ARIMA-SEATS — для разделения ряда на тренд, сезонность и остаток.

Применение временных рядов

Временные ряды используются в огромном количестве областей:

Экономика и финансы — прогнозирование ВВП, инфляции, курсов валют, цен акций, объёмов продаж. Модели ARIMA, GARCH, нейронные сети.
Метеорология и климатология — прогноз погоды, анализ климатических изменений, моделирование температуры, осадков.
Промышленность и производство — мониторинг оборудования (вибрация, температура), прогнозирование отказов, контроль качества.
Медицина — анализ ЭКГ, ЭЭГ, мониторинг показателей пациента, прогнозирование эпидемий.
Энергетика — прогнозирование потребления электроэнергии, нагрузки на сети, выработки возобновляемых источников (солнечная, ветровая).
Транспорт — анализ трафика, прогнозирование загрузки дорог, планирование маршрутов.
Социология и демография — анализ рождаемости, смертности, миграции, опросов общественного мнения.

Инструменты и программное обеспечение

Для анализа временных рядов существует множество инструментов:

Языки программирования — Python (библиотеки: statsmodels, pandas, scikit-learn, Prophet, TensorFlow, PyTorch), R (пакеты: forecast, tseries, zoo, xts, fable), Julia, MATLAB.
Специализированные пакеты — EViews, Stata, Gretl, SAS.
Облачные платформы — Amazon Forecast, Google Cloud AI Platform, Azure Machine Learning.
Библиотеки для прогнозирования — Prophet (Facebook, разработчик Meta — организация признана экстремистской и запрещена в РФ), NeuralProphet, Kats (Meta), Darts (Unit8).

Критика и ограничения

Предположение о стационарности — многие классические методы требуют стационарности, что не всегда выполняется на практике. Приведение к стационарности может исказить данные.
Чувствительность к выбросам — временные ряды часто содержат аномалии (сбои датчиков, кризисы), которые могут сильно исказить прогнозы.
Проблема переобучения — сложные модели (нейронные сети, ансамбли) легко переобучаются на шуме, особенно на коротких рядах.
Нестационарность в реальном мире — экономические и природные процессы часто меняют свою структуру (структурные сдвиги), что делает модели, обученные на исторических данных, неактуальными.
Эффект «чёрного лебедя» — редкие, но значимые события (войны, пандемии, технологические прорывы) не могут быть предсказаны на основе исторических данных.

Интересные факты

Первые работы по анализу временных рядов относятся к XVII веку (Джон Граунт — анализ смертности в Лондоне).
Модель ARIMA была разработана Джорджем Боксом и Гвилимом Дженкинсом в 1970-х годах и до сих пор остаётся одним из самых популярных методов.
В 2020-х годах значительный прогресс в прогнозировании временных рядов достигнут благодаря трансформерам (Time Series Transformer) и моделям на основе внимания.
В России анализ временных рядов активно применяется в Центральном банке, Росгидромете, Минэкономразвития, а также в промышленности (например, «Газпром», «Росатом»).

Источники

Бокс Дж., Дженкинс Г. «Анализ временных рядов. Прогноз и управление». — М.: Мир, 1974.
Ханк Д. Э., Райтс Д. У., Уичерн Д. У. «Бизнес-прогнозирование». — М.: Вильямс, 2003.
Hyndman R. J., Athanasopoulos G. «Forecasting: Principles and Practice». — 3rd ed. — OTexts, 2021.
Brockwell P. J., Davis R. A. «Introduction to Time Series and Forecasting». — Springer, 2016.
Ширяев А. Н. «Основы стохастической финансовой математики». — М.: ФАЗИС, 1998.
Материалы курса «Time Series Analysis» (Stanford University, 2023).
Документация библиотек statsmodels, Prophet, Kats (Meta — организация признана экстремистской и запрещена в РФ), Darts.

BFOmetr — база данных и аналитика по компаниям России.

На главную BFOmetr →