Современные статистические методы для анализа и прогнозирования финансовых показателей

Курс знакомит слушателей с последними разработками компании StatSoft, Inc., используемыми в анализе банковских данных.

Изучаются проекты Data Miner для решения задач регрессии, классификации, прогнозирования, в которых используется технологии IDP («обработка данных на месте»), Data Miner Recipes, SANN и др.

Данный инструментарий позволяет финансовым организациям решать такие задачи, как выявление фактов мошенничества, определение факторов риска и создание сложных автоматизированных моделей для прогнозирования риска, проводить сегментацию клиентов и прогнозировать поведение однородных групп, выявлять скрытые зависимости между различными индикаторами, создавать модели для прогнозирования цен фьючерсов, опционов и акций, оптимизировать прибыльность портфеля.

Обучение проводится на англоязычной версии STATISTICA Data Miner.

Цель курса

Изучить проекты Data Miner для решения задач регрессии, классификации, прогнозирования.

Для кого этот курс?

Данный курс предназначен для слушателей из финансовых организаций.

Программа курса

1. Начало работы в среде STATISTICA Data Miner

   • Ключевые понятия и определения

   • Уникальные возможности STATISTICA Data Miner

   • Построение системы Data Miner – Добытчик Данных

   • Интерфейс Data Miner Recipes

   • Создание проекта Добычи Данных

2. Углубленные методы классификации и модели регрессии

   • Выявление правил объединения клиентов в группы

   • Выявление групп лояльных клиентов, приносящих наибольшую прибыль

   • Выявление групп недобросовестных клиентов

   • Современные подходы для построения и сравнения большого количества моделей на основе линейных и нелинейных моделей, моделей деревьев решений и нейросетевых моделей

3. Обобщенные методы кластерного анализа

   • Нахождение структур, сегментов и кластеров в многомерных данных

   • Сегментация клиентов в больших базах данных

   • Отображение клиентов и их характеристик в пространство факторов с помощью многомерного шкалирования, факторного анализа, анализа соответствий и др.

   • Определение общих факторов взаимодействия с клиентами

4. Нейросетевой разведчик

   • Классификация, выявление скрытой структуры, прогнозирование с помощью инструмента автоматизированных нейронных сетей (SANN)

5. Обобщенное прогнозирование

6. Понижение размерности, выявление значимых показателей

• Отсеивание признаков

7. Вопросы и ответы, обсуждение задач слушателя

Длительность курса

8 академических часов, курс разбивается на 2 рабочих дня