tsbootstrap: библиотека для непараметрической неопределенности и конформного прогнозирования временных рядов

Непараметрическая оценка неопределенности и конформное прогнозирование временных рядов — сложная задача, особенно когда данные демонстрируют зависимости. Недавно опубликованная библиотека tsbootstrap (версия 0.6.1) с открытым исходным кодом под лицензией MIT предлагает единый API для бутстреп-методов и адаптивных конформных калибраторов, специально разработанных для временных рядов. Это позволяет получать корректные интервалы прогноза даже при коррелированных данных, что критически важно для финансов, сенсорных данных и прогнозирования спроса.

Что такое tsbootstrap и как она работает

Библиотека tsbootstrap предоставляет реализацию нескольких бутстреп-методов: блочного, остаточного, ситового и дикого. Каждый из них по-своему учитывает зависимости во временных рядах. Кроме того, библиотека включает адаптивные конформные калибраторы: EnbPI, ACI, NexCP и AgACI. Эти методы позволяют строить прогнозные интервалы с гарантированным покрытием, не требуя предположения об обменяемости данных, которое нарушается во временных рядах.

Почему традиционные методы не подходят для временных рядов

Традиционные методы конформного прогнозирования и бутстрепа предполагают, что данные обменяемы — то есть их порядок не важен. Однако во временных рядах наблюдается автокорреляция, тренды и сезонность, что нарушает это предположение. В результате стандартные подходы дают заниженное покрытие: интервалы прогноза оказываются уже, чем должны быть. tsbootstrap решает эту проблему, предлагая зависимо-осознанные методы, которые корректируют покрытие с учетом структуры зависимости.

Какие методы включает tsbootstrap

Библиотека охватывает четыре основных бутстреп-метода. Блочный бутстреп разбивает ряд на блоки и перемешивает их, сохраняя локальные зависимости. Остаточный бутстреп моделирует остатки после подгонки модели и генерирует новые псевдо-ряды. Ситовый бутстреп использует авторегрессионную аппроксимацию для учета зависимости. Дикий бутстреп применяет случайные веса к остаткам, что особенно полезно при гетероскедастичности. Для конформного прогнозирования доступны адаптивные калибраторы, которые динамически настраивают уровень покрытия.

Как tsbootstrap справляется с зависимыми данными

В контролируемом исследовании покрытия IID-бутстреп показал значительное недопокрытие при зависимых данных — интервалы прогноза покрывали истинные значения реже, чем требовалось. Зависимо-осознанные методы, реализованные в tsbootstrap, существенно уменьшили дефицит покрытия. Особенно хорошо показал себя ситовый бутстреп: при кратковременной линейной зависимости его покрытие было ближе всего к номинальному уровню. Это означает, что библиотека позволяет получать более надежные прогнозы в реальных условиях.

Технические особенности библиотеки

tsbootstrap реализована на Python с компилируемым бэкендом, который работает в несколько раз быстрее аналогов, например, библиотеки arch. Ключевая оптимизация — потоковая редукция, которая избегает материализации тензора реплик размером O(Bn). Это ограничивает пиковое дополнительное потребление памяти до O(B), где B — количество бутстреп-реплик. Таким образом, библиотека эффективно использует память даже при большом числе реплик.

Кому будет полезна tsbootstrap

Разработчики и исследователи в областях, где требуется количественная оценка неопределенности для временных рядов, найдут tsbootstrap полезной. Это финансовые аналитики, работающие с волатильностью и рисками, специалисты по сенсорным данным, прогнозисты спроса в ритейле и логистике, а также исследователи в климатологии и эпидемиологии. Библиотека позволяет строить прогнозные интервалы с гарантированным покрытием, что критически важно для принятия решений.

Какие альтернативы существуют и чем tsbootstrap лучше?

Среди аналогов можно выделить библиотеку conformal, которая реализует конформное прогнозирование, но не ориентирована на временные ряды. Также есть arch для бутстрепа, но он медленнее и не предоставляет конформных калибраторов. tsbootstrap объединяет оба подхода в едином API, оптимизирована для зависимых данных и превосходит аналоги по скорости и эффективности памяти.

Перспективы развития и неизвестные аспекты

На данный момент не опубликованы результаты тестирования на реальных наборах данных, а также прямое сравнение с другими библиотеками, такими как conformal. Однако архитектура библиотеки и результаты контролируемых экспериментов внушают доверие. В будущем ожидается расширение набора методов и интеграция с популярными фреймворками машинного обучения.

Заключение

tsbootstrap — это мощный инструмент для непараметрической оценки неопределенности и конформного прогнозирования временных рядов. Он решает ключевую проблему традиционных методов — нарушение обменяемости данных — и предлагает эффективные, быстрые и экономичные по памяти реализации. Если вы работаете с временными рядами и нуждаетесь в надежных прогнозных интервалах, tsbootstrap заслуживает внимания.