Модуль инкрементального обучения моделей нестационарных финансовых процессов.

Divide et Impera

Для определения моделей переходных процессов был создан модуль инкрементального обучения для идентификации моделей переходных финансовых процессов, позволяющий динамически оценивать предсказуемость последовательности транзакций пользователей банковских карт с целью преодоления снижения оценки прогнозирования на временном промежутке. Ключевыми особенностями применённого метода являются, во-первых, динамическое измерение предсказуемости поведения агентов на микроуровне с применением «измерительной» нейронной сети, а во-вторых, группировка агентов по предсказуемости поведения с целью улучшения качества результата прогнозирующей нейронной сети для всей популяции.

Описание файлов

• sim_clients - папка с предсказаниями для всех клиентов на микроуровне,

• Module_5.ipynb - тетрадка для проведения экспериментов,

• all_rw_n_sur.csv - траты всех клиентов,

• bad_rw_n.csv - траты плохо предсказуемых клиентов,

• good_rw_n.csv - траты хорошо предсказуемых клиентов,

• macro_model_functions.py - функции для работы с моделью на мезо- и макроуровне,

• micro_help_functions.py - вспомогательные функции для проведения эксперимента на микроуровне,

• micro_model_functions.py - функции для работы с моделью на микроуровне,

• preprocessing.py - функции для предобработки данных.