Реализация предсказания цен (Price Prediction)
Прогнозирование цен применяется в совершенно разных контекстах: предсказание цен на сырьё для производственного планирования, прогноз цен на недвижимость для оценки, предсказание движения финансовых активов. Каждый домен имеет специфику, но общие методологические принципы едины.
Типология задач предсказания цен
Товарные рынки (commodities): Нефть, газ, металлы, агропродукция. Факторы: фьючерсные кривые, запасы, геополитика, погода. Горизонт: 1-12 месяцев.
Недвижимость: Оценка конкретного объекта (hedonic pricing model) или прогноз рыночного индекса. Горизонт: 3-24 месяца.
Финансовые активы: Акции, валюты, криптовалюты. Наиболее конкурентная среда — EMH (Efficient Market Hypothesis) ограничивает предсказуемость. Практический горизонт: 1-30 дней.
Розничные цены: Предсказание оптимальной цены для максимизации выручки/маржи с учётом ценовой эластичности.
Общая методология
Разложение цены на компоненты:
- Долгосрочный тренд (автокорреляция, макро-факторы)
- Сезонность (годовая, квартальная, внутринедельная)
- Цикличность (бизнес-циклы)
- Остаток (нерегулярные события, шум)
STL/MSTL-декомпозиция — первый шаг анализа любого ценового ряда.
Hedonic Pricing для недвижимости
Наиболее практическая реализация — оценочная модель:
Features:
- Характеристики объекта: площадь, комнаты, этаж, год постройки, материал
- Локация: расстояние до метро, школ, центра; crime index; school district rating
- Инфраструктура: proximity scores к магазинам, паркам, больницам
- Рыночные условия: сопоставимые сделки за последние 6-12 месяцев
Модели:
- XGBoost / LightGBM: лучший accuracy для tabular данных
- Random Forest: хуже accuracy, но более стабильный
- Spatial regression (kriging): учитывает пространственную автокорреляцию цен
Точность современных hedonic моделей: MAPE 5-12% для жилой недвижимости в городах с хорошими данными.
Прогнозирование товарных цен
Модель для нефти (пример):
Features:
- Futures curve slope (contango/backwardation)
- EIA crude oil inventories (weekly)
- Baker Hughes rig count
- USD Index (DXY)
- Geopolitical risk index (NLP из новостей)
- Lagged price series: t-1, t-7, t-30, t-365
LightGBM с rolling cross-validation. MAPE 3-8% на недельном горизонте — приемлемый результат. На 3-месячном горизонте ошибка вырастает до 15-25%.
Проблема look-ahead bias: все признаки должны быть доступны на момент прогноза. Фьючерсная кривая на момент t — OK. Данные о запасах за текущую неделю — нет (публикуются с задержкой).
Ценовая эластичность и retail pricing
Не прогнозирование будущей рыночной цены, а нахождение оптимальной цены для максимизации выручки:
Модель эластичности:
log(Demand) = α + β × log(Price) + γ × log(Competitor_Price) + δ × Promotions + ε
β — price elasticity coefficient. Типично от -0.5 до -3.0 в зависимости от категории.
Dynamic pricing модель:
- LightGBM предсказывает demand при разных ценовых точках
- Оптимизатор (scipy.optimize) находит price = argmax(Price × Demand(Price))
- Ограничения: мин/макс цена, MSRP, ценовой имидж бренда
Bayesian optimization позволяет исследовать пространство цен без ущерба для выручки в период обучения.
Интеграция и обновление
- Retail: интеграция с pricing engine (Revionics, Wiser, собственный) через API
- Commodities: экспорт прогнозов в ERP/Treasury систему для хеджирования
- Недвижимость: REST API для AVM (Automated Valuation Model), интеграция с CRM агентств
Мониторинг: отслеживание MAPE на скользящем окне 30 дней. При деградации > 30% — автоматическое переобучение.
Сроки: hedonic-модель недвижимости или commodity price forecast — 4-6 недель. Retail dynamic pricing с price elasticity и A/B тестированием — 3-4 месяца.