Временные ряды

Временной ряд — это упорядоченная во времени последовательность значений некоторой переменной (показателя), зафиксированных через равные или неравные промежутки времени. Временные ряды являются одним из основных объектов изучения в статистике, эконометрике, анализе данных и машинном обучении. Ключевая особенность временного ряда — зависимость наблюдений от времени и наличие внутренней структуры (тренда, сезонности, цикличности), что отличает его от простой выборки независимых наблюдений.

Основные понятия и определения

Временной ряд обычно обозначается как \( \{y_t\}_{t=1}^T \), где \( t \) — момент времени (индекс), а \( y_t \) — значение ряда в этот момент. В зависимости от природы данных, временные ряды могут быть дискретными (наблюдения в фиксированные моменты, например, ежедневные цены акций) или непрерывными (значения, регистрируемые непрерывно, например, температура воздуха, но для анализа обычно дискретизируются).

Компоненты временного ряда

Классическая модель временного ряда предполагает разложение на несколько составляющих:

• Тренд (T) — долгосрочная тенденция изменения ряда (рост, спад, стабильность). Тренд может быть линейным, полиномиальным, экспоненциальным или иметь более сложную форму.
• Сезонная компонента (S) — периодические колебания с фиксированной и известной частотой (например, годовая, квартальная, месячная, недельная, суточная). Сезонность связана с календарными факторами (время года, день недели, праздники).
• Циклическая компонента (C) — колебания с нефиксированной, переменной длительностью (например, экономические циклы — от 2 до 10 лет). Отличается от сезонности отсутствием строгой периодичности.
• Случайная (остаточная) компонента (ε) — нерегулярные, стохастические флуктуации, которые не могут быть объяснены трендом, сезонностью или циклом. Предполагается, что остатки являются независимыми и одинаково распределёнными случайными величинами (часто с нулевым математическим ожиданием).

Модели разложения: аддитивная (\( y_t = T_t + S_t + C_t + \varepsilon_t \)) и мультипликативная (\( y_t = T_t \cdot S_t \cdot C_t \cdot \varepsilon_t \)). Выбор модели зависит от природы данных: если амплитуда сезонных колебаний постоянна во времени — используют аддитивную модель, если пропорциональна уровню тренда — мультипликативную.

Классификация временных рядов

Временные ряды классифицируются по нескольким признакам:

• По количеству переменных:
• Одномерные (унарные) — содержат значения одного показателя (например, курс доллара).
• Многомерные (мультивариантные) — содержат значения нескольких показателей, измеренных в одни и те же моменты времени (например, температура, давление, влажность). Анализ многомерных рядов включает изучение взаимосвязей между ними.
• По характеру временной зависимости:
• Стационарные — статистические характеристики (среднее, дисперсия, автокорреляция) не зависят от времени. Большинство методов прогнозирования (например, ARIMA) требуют приведения ряда к стационарному виду.
• Нестационарные — характеристики меняются во времени. К ним относятся ряды с трендом, сезонностью, изменяющейся дисперсией.
• По типу данных:
• Моментные — значения фиксируются на определённый момент времени (например, численность населения на 1 января).
• Интервальные — значения агрегируются за период времени (например, ВВП за квартал, объём продаж за месяц).

Методы анализа временных рядов

Анализ временных рядов включает несколько этапов: визуализация, выявление структуры, моделирование, прогнозирование и оценка точности.

Визуализация и предварительный анализ

Первый шаг — построение графика ряда. Визуально оценивают наличие тренда, сезонности, выбросов, разрывов, изменение дисперсии. Для выявления автокорреляции используют коррелограмму (график автокорреляционной функции, ACF) и частную автокорреляционную функцию (PACF). Для проверки стационарности применяют статистические тесты: расширенный тест Дики — Фуллера (ADF) и тест Квятковского — Филлипса — Шмидта — Шина (KPSS).

Статистические модели

• Модели скользящего среднего (MA) — моделируют зависимость текущего значения от прошлых ошибок (шумов).
• Авторегрессионные модели (AR) — моделируют зависимость текущего значения от его предыдущих значений.
• Модель авторегрессии — скользящего среднего (ARMA) — объединяет AR и MA для стационарных рядов.
• Модель авторегрессии — интегрированного скользящего среднего (ARIMA) — обобщение ARMA для нестационарных рядов. Включает этап дифференцирования (интегрирования) для устранения тренда. Обозначается как ARIMA(p, d, q), где p — порядок авторегрессии, d — порядок дифференцирования, q — порядок скользящего среднего.
• Сезонная модель ARIMA (SARIMA) — расширение ARIMA для учёта сезонности. Обозначается как SARIMA(p, d, q)(P, D, Q, s), где s — период сезонности.
• Модели экспоненциального сглаживания — семейство моделей, основанных на взвешенном усреднении прошлых наблюдений с экспоненциально убывающими весами. Включают простую, двойную (Хольта) и тройную (Хольта — Уинтерса) экспоненциальное сглаживание для учёта тренда и сезонности.

Методы машинного обучения

С развитием вычислительных мощностей для анализа временных рядов стали применяться методы машинного обучения:

• Регрессионные модели — линейная регрессия, деревья решений, случайный лес, градиентный бустинг (XGBoost, LightGBM, CatBoost). Для учёта временной структуры создают лаговые признаки (значения ряда в предыдущие моменты) и скользящие статистики (среднее, стандартное отклонение).
• Нейронные сети — рекуррентные нейронные сети (RNN, LSTM, GRU), свёрточные нейронные сети (CNN) и трансформеры (например, модель TimeGPT, PatchTST). Нейросетевые подходы особенно эффективны при больших объёмах данных и сложных нелинейных зависимостях.

Применение временных рядов

Временные ряды широко используются в различных областях:

• Экономика и финансы: прогнозирование курсов валют, цен акций, ВВП, инфляции, уровня безработицы, объёмов продаж.
• Метеорология и климатология: прогнозирование погоды, температуры, осадков, уровня моря, анализ климатических изменений.
• Промышленность и энергетика: мониторинг и прогнозирование нагрузки на энергосистемы, контроль качества продукции, прогнозирование отказов оборудования.
• Медицина и биология: анализ сигналов ЭКГ, ЭЭГ, мониторинг эпидемиологических показателей (заболеваемость, смертность).
• Социальные науки: анализ демографических данных, опросов общественного мнения, активности в социальных сетях.
• Транспорт и логистика: прогнозирование пассажиропотоков, загрузки дорог, времени доставки.

Прогнозирование временных рядов

Прогнозирование — одна из главных задач анализа временных рядов. Методы прогнозирования делятся на:

• Экстраполяционные — основаны на предположении, что закономерности прошлого сохранятся в будущем (ARIMA, экспоненциальное сглаживание).
• Факторные (каузальные) — учитывают влияние внешних факторов (регрессионные модели, модели с экзогенными переменными, например, SARIMAX).
• Комбинированные — объединяют несколько моделей для повышения точности (ансамблевые методы, стекинг).

Для оценки качества прогноза используют метрики: средняя абсолютная ошибка (MAE), средняя квадратическая ошибка (MSE), корень из средней квадратической ошибки (RMSE), средняя абсолютная процентная ошибка (MAPE). Важным этапом является разделение данных на обучающую и тестовую выборки с сохранением временной последовательности (кросс-валидация по временным рядам).

Интересные факты

• Первые работы по анализу временных рядов относятся к XVII веку: Джон Граунт в 1662 году исследовал данные о смертности в Лондоне.
• В 1927 году русский математик Евгений Слуцкий предложил модели скользящего среднего и авторегрессии, заложив основы современной теории.
• Модель ARIMA была разработана Джорджем Боксом и Гвилимом Дженкинсом в 1970 году и до сих пор остаётся одним из самых популярных методов прогнозирования.
• В 2018 году нейронная сеть LSTM (Long Short-Term Memory) была признана одной из лучших моделей для прогнозирования временных рядов в соревнованиях на платформе Kaggle.
• В России анализ временных рядов активно применяется в Центральном банке РФ для прогнозирования макроэкономических показателей и в Гидрометцентре для метеопрогнозов.

Источники

1. Бокс Дж., Дженкинс Г. Анализ временных рядов. Прогноз и управление. — М.: Мир, 1974.
2. Кендалл М., Стьюарт А. Многомерный статистический анализ и временные ряды. — М.: Наука, 1976.
3. Ханк Д., Уичерн Д., Райтс А. Бизнес-прогнозирование. — М.: Вильямс, 2003.
4. Hyndman R.J., Athanasopoulos G. Forecasting: Principles and Practice. — 3rd ed. — OTexts, 2021.
5. Ширяев А.Н. Основы стохастической финансовой математики. — М.: ФАЗИС, 1998.