Аналитические методы в Node.js
Демо по корреляции, ковариации, регрессии, ANOVA, CAPM, анализу временных рядов и диагностике регрессии.
Источник данных: файл data/observations.xlsx. Если файла нет, приложение временно использует встроенный demo-набор.
Источник данных
Ключевые показатели
Линейная регрессия
Показывает линейную связь между фактором X1 и целевой переменной Y, а также линию наилучшего приближения.
Временной ряд
Отображает динамику Y по месяцам, чтобы видеть тренды, колебания и общую форму ряда.
Пространственный анализ
Сравнивает средние значения Y между регионами и помогает увидеть пространственные различия.
CAPM
Показывает зависимость доходности актива от рыночной доходности и оценивает beta и alpha.
ANOVA по категориям
Проверяет, различаются ли средние значения Y между категориями A, B и C.
Остатки множественной регрессии
Позволяет оценить ошибки модели, заметить выбросы и проблемы со спецификацией.
Rolling Sharpe (окно 3)
Показывает, как меняется соотношение доходности к риску на скользящем окне.
Monte Carlo сценарии
Генерирует набор возможных будущих сценариев доходности на основе случайного моделирования.
Efficient Frontier
Показывает компромисс между риском и доходностью для разных комбинаций портфеля.
Кластеры
Группирует наблюдения по похожести факторов и помогает увидеть скрытые сегменты данных.
PCA
Сжимает данные в главную компоненту и показывает, какая доля структуры объясняется главным направлением.
Logistic Regression
Оценивает вероятность бинарного события, например превышения целевого порога доходности.
Factor Analysis
Оценивает скрытый общий фактор и факторные нагрузки, стоящие за наблюдаемыми переменными.
Nonparametric Tests
Сравнивает выборки без жёстких предположений о нормальности распределения.
Panel Data Analysis
Сводит показатели одновременно по сущностям и по времени, что полезно для panel data.
GARCH Volatility
Моделирует условную волатильность и показывает, как риск меняется во времени.
Random Forest
Ансамбль деревьев решений для прогноза Y, устойчивый к шуму и нелинейностям.
Gradient Boosting
Пошагово улучшает прогноз, обучая последовательность слабых моделей на ошибках предыдущих.