Tecniche di forecasting (es. ARIMA, SARIMA).

Modulo 1: Forecasting Cos’è il forecasting e perché è importante nelle previsioni aziendali e economiche. Tipologie di serie temporali: stazionarie e non stazionarie. Obiettivi del forecasting: previsione della domanda, vendite, analisi finanziarie. Panoramica sulle tecniche più comuni di forecasting. Modulo 2: Fondamenti delle Serie Temporali Cos'è una serie temporale e come si rappresenta. Componenti di una serie temporale: trend, stagionalità, ciclicità, rumore. Stazionarietà e la sua importanza nel forecasting. Come decomporre una serie temporale per l’analisi. Modulo 3: Preparazione dei Dati per il Forecasting Pulizia e trasformazione dei dati per l'analisi delle serie temporali. Identificazione e trattamento di valori mancanti. Eliminazione di outliers e riduzione del rumore nei dati. Stazionarizzazione della serie temporale: tecniche di differenziazione. Modulo 4: Introduzione a ARIMA (AutoRegressive Integrated Moving Average) Cos'è il modello ARIMA e come si applica al forecasting. Componente autoregressiva (AR), media mobile (MA) e differenziazione (I). Comprensione dei parametri AR, I, MA e la loro interpretazione. Applicazione del modello ARIMA a una serie temporale stazionaria. Modulo 5: Scomposizione del Modello ARIMA Come scegliere i parametri p, d, q per il modello ARIMA. Analisi della funzione di autocorrelazione (ACF) e autocorrelazione parziale (PACF). La selezione ottimale dei parametri tramite il metodo di Box-Jenkins. Diagnosi del modello ARIMA: verifica dei residui e significatività dei parametri. Modulo 6: Previsioni con ARIMA Come fare previsioni a breve e lungo termine con ARIMA. Validazione del modello di previsione: errore di previsione e metriche di valutazione. Tecniche per ottimizzare le previsioni ARIMA. Applicazioni pratiche di ARIMA in vari settori (finanza, vendite, produzione). Modulo 7: Introduzione a SARIMA (Seasonal ARIMA) Cos'è il modello SARIMA e come si estende ARIMA per le serie temporali stagionali. Componenti stagionali nel modello SARIMA: stagionalità autoregressiva (SAR), stagionalità della media mobile (SMA), differenziazione stagionale (SD). Differenza tra ARIMA e SARIMA e quando applicare SARIMA. Parametrizzazione di SARIMA: determinazione dei parametri stagionali (P, D, Q, m). Modulo 8: Previsione con SARIMA Come applicare il modello SARIMA a una serie temporale con stagionalità. Identificazione dei parametri stagionali e non stagionali. Costruzione e valutazione di previsioni con SARIMA. Confronto delle previsioni SARIMA con altre tecniche di forecasting. Modulo 9: Valutazione delle Previsioni e Accuratezza del Modello Tecniche di validazione per le previsioni (Holdout, Cross-validation). Metriche per misurare l'accuratezza delle previsioni: MAE, MSE, RMSE, MAPE. Confronto tra modelli ARIMA, SARIMA e altre tecniche di forecasting. Diagnosi degli errori di previsione e miglioramento dei modelli. Modulo 10: Modelli Avanzati di Forecasting Introduzione ad altre tecniche di forecasting: Exponential Smoothing, Prophet, modelli GARCH. Caratteristiche, vantaggi e limitazioni dei modelli alternativi. Confronto tra ARIMA, SARIMA e modelli basati su smussamento esponenziale. Applicazioni pratiche di modelli alternativi di forecasting. Modulo 11: Forecasting per Dati Non Stazionari Strategie per gestire serie temporali non stazionarie. Come trattare trend e stagionalità non stazionari. Uso di ARIMA e SARIMA su dati con trend e stagionalità evidenti. Differenziazione avanzata per la stazionarizzazione dei dati. Modulo 12: L'uso di Modelli Combinati nel Forecasting Combinare più modelli di forecasting per migliorare le previsioni (ensemble methods). Tecniche di combinazione dei modelli: media ponderata, media semplice, stacking. Applicazione dei modelli combinati a serie temporali con rumore elevato. Vantaggi e limiti dei modelli combinati nel forecasting. Modulo 13: Implementazione di ARIMA e SARIMA con Python Introduzione agli strumenti Python per il forecasting: librerie come statsmodels, pandas, matplotlib. Creazione e allenamento di modelli ARIMA e SARIMA in Python. Previsione e visualizzazione dei risultati con Python. Interpretazione dei parametri dei modelli ARIMA e SARIMA in Python. Modulo 14: Forecasting con Dati di Grande Volumetria Come trattare serie temporali con grandi volumi di dati. Tecniche per gestire l’efficienza computazionale nel forecasting. Applicazione di ARIMA e SARIMA su big data: limiti e ottimizzazione. Uso di tecniche di parallelizzazione e distribuzione per l’elaborazione. Modulo 15: Trend Futuri nel Forecasting e Conclusioni Le tendenze emergenti nelle tecniche di forecasting: deep learning e forecasting automatico. L'evoluzione dei modelli SARIMA verso modelli più complessi (RNN, LSTM, ARIMAX). Conclusioni sul futuro del forecasting in contesti aziendali e finanziari. Risorse per approfondire l'apprendimento del forecasting e continuare la formazione.