research: expense forecasting — from simple to complex (ML practice)

[Tarasusrus]

Цель

Заложить фундамент модуля прогнозирования. Двигаться от простого к сложному — каждый этап рабочий и полезный сам по себе.

Этапы (от простого к сложному)

Этап 1 — Baseline (статистика)

• Среднее/медиана трат по категориям за последние N месяцев
• Линейный тренд (растём/падаем?)
• Оценка следующего месяца: «скорее всего потратишь ~X»

Этап 2 — Сезонность

• Учёт регулярных паттернов (аренда, подписки, здоровье)
• Простые методы: скользящее среднее, экспоненциальное сглаживание (EWM)
• Можно попрактиковаться: pandas, statsmodels

Этап 3 — ML-модели

• Prophet (Facebook) — time series с сезонностью
• Или LightGBM/XGBoost с ручными фичами (month, dow, lag_1, lag_3)
• Оценить качество на hold-out (последний месяц)

Важно

• Прогноз — shared skill: используется советником, долговым менеджером, планировщиком покупок
• Формат:
• Данных сейчас ~1.5 месяца — достаточно для Этапа 1, для ML нужно больше

Вопросы для ресерча

• Какой минимум данных нужен для каждого метода?
• Где считать: в Go (вызов Python microservice) или встроенный Go?
• Хранить ли прогнозы в БД или считать on-demand?