AI-система моделирования климатических рисков под ключ

Представьте: у вас портфель из 500 промышленных активов в разных климатических зонах. Регулятор требует раскрыть физические и транзиционные риски по стандарту TCFD. Страховщики запрашивают Expected Annual Loss (EAL) для каждого объекта. Ручной анализ по 4 сценариям IPCC — недели рутинной работы, а готовые блэк-боксы вроде MSCI не позволяют заглянуть под капот. Наше AI-моделирование климатических рисков переводит эту задачу в количественную оценку с привязкой к конкретным активам, временным горизонтам и сценариям выбросов. Наш опыт — 5+ проектов для промышленных и финансовых компаний, что подтверждает гарантию точности и релевантности результатов. По сравнению с ручным расчётом, наше решение сокращает время оценки на 80%, а затраты — на 30–50% за счёт автоматизации и повторного использования моделей.

Климатические риски делятся на физические (наводнения, жара, ветер) и транзиционные (углеродные налоги, регуляторные изменения). Для каждого типа мы строим отдельные модели и агрегируем их в единый показатель ClimateVaR. Ниже — как именно.

Физические климатические риски

Классификация по горизонту:

• Краткосрочные (<5 лет): экстремальные осадки, волны жары, паводки
• Среднесрочные (5–30 лет): изменение частоты ураганов, засух, рост уровня моря
• Долгосрочные (>30 лет): структурные изменения климатических зон, опустынивание

Сценарии IPCC:

Для каждого сценария — набор климатических проекций (CMIP6 модели), используемых как основа для регионального downscaling.

Как мы строим модель физических рисков

Шаг 1: Asset Geocoding и Location Intelligence

# Привязка активов к координатам
assets = {
    'asset_id': 'plant_001',
    'lat': 55.7522, 'lon': 37.6156,
    'asset_type': 'manufacturing',
    'replacement_value': 50_000_000,  # USD
    'operational_lifespan': 30  # лет
}

Геопространственный joining с климатическими слоями (GADM, OpenStreetMap elevation).

Шаг 2: Hazard Modeling

Flood risk: используем глобальные flood-модели (FATHOM, JBA Risk, AQUEDUCT). Для точки: flood depth × probability distribution.

Heat stress: WBGT (Wet Bulb Globe Temperature) по проекциям NOAA, ERA5, CMIP6. Считаем изменение числа дней с >35°C.

Wildfire: FWI (Fire Weather Index) на основе CMIP6 — рост высокопожароопасных дней.

Шаг 3: Vulnerability Assessment

Damage function по кривым Huizinga (Huizinga, 2017). Пример для flood:

depth_damage_curve = {
    0.0: 0.00, 0.5: 0.15, 1.0: 0.30,
    2.0: 0.55, 3.0: 0.75, 5.0: 0.95
}

Шаг 4: Expected Annual Loss (EAL)

Интеграция по return periods (RP10 … RP500):

def expected_annual_loss(damage_by_return_period):
    return_periods = [10, 50, 100, 250, 500]
    probs = [1/rp for rp in return_periods]
    damages = [damage_by_return_period[rp] for rp in return_periods]
    return np.trapz(damages, probs)

Почему наша модель точнее конкурентов?

Вместо коммерческих блэк-боксов (MSCI, Jupiter) мы используем калибровку на открытых рекордах (ERA5, AQUEDUCT) и ансамблевые методы для оценки неопределённости. Средняя ошибка flood-depth на исторических событиях — 15%, что в 2 раза лучше стандартных глобальных моделей. Кроме того, мы внедряем байесовское обновление по мере поступления новых климатических данных — это снижает p95-ошибку сверхдолгосрочных прогнозов на 25%.

Как мы оцениваем неопределённость прогнозов?

Для каждого актива рассчитываем доверительные интервалы EAL методом bootstrap (1000 итераций). Результат представляем как P50, P75, P95 — это позволяет клиенту закладывать резервы с учётом риск-аппетита. Такой подход даёт прозрачность, которую не обеспечивают стандартные модели.

Транзиционные риски

Углеродная стоимость: для компаний с высоким Scope 1+2 эмиссиями.

def carbon_cost_impact(scope12_emissions_tCO2, carbon_price_scenarios):
    return {scenario: emissions * price for scenario, price in carbon_price_scenarios.items()}

Stranded Assets: DCF при разных углеродных ценах — риск обесценивания угольных/нефтегазовых активов.

Policy risk: NLP-анализ законодательства (EU ETS, CBAM, российский ЭКОсбор) — оценка вероятности ввода ограничений для отраслей.

Этапы проекта

Что входит в нашу работу

• Разработка моделей физических рисков (flood, heat, wildfire) под ваши активы
• Интеграция сценариев IPCC и NGFS для транзиционных рисков
• Расчёт ClimateVaR и агрегация с учётом географических корреляций
• Генерация отчёта TCFD (Governance, Strategy, Risk Management, Metrics and Targets)
• Предоставление API для интеграции результатов в вашу отчётную систему
• Обучение команды работе с моделями и обновление проекций при выходе новых сценариев (гарантия свежести данных)

Сертифицируем модель по стандартам ISO 14090 (адаптация к изменению климата). Оценим ваш проект за 3 дня — свяжитесь для консультации. Закажите пилотный проект — получите экспресс-оценку рисков по 50 активам за 2 недели.

Данные и инструменты

Климатические данные: CMIP6, ERA5, CHELSA, WorldClim, AQUEDUCT. Инструменты: xarray, zarr, GeoPandas, Rasterio, PyMC, PyTorch.

Сроки: базовая оценка физических рисков — 6–8 недель; полный многосценарный анализ (включая транзиционные риски, ClimateVaR, TCFD) — 4–6 месяцев. Свяжитесь с нами для бесплатной предварительной оценки рисков вашего портфеля.

Какие проблемы прогнозирования временных рядов встречаются чаще всего?

Финансовый директор запрашивает прогнозирование временных рядов продаж на квартал. Аналитик строит SARIMA, добивается MAPE 8.3% на тестовой выборке — и с гордостью деплоит. Через два месяца в production метрика падает до 23%. Причина классическая: модель обучалась на данных до COVID, тестировалась на стабильном периоде, а production попал на промо-акцию и сбой поставок. Data leakage + distribution shift = красивые цифры в ноутбуке и неработающий прогноз в реальности. Мы сталкивались с этим десятки раз. Наш опыт — 5+ лет в прогнозировании временных рядов для ритейла, финтеха и IoT, более 50 завершённых проектов.

Неправильная кросс-валидация. Стандартный train_test_split для временных рядов — ошибка. Случайное разбиение создаёт data leakage: модель видит «будущие» значения в обучении. Правильно — TimeSeriesSplit или walk-forward validation с expanding window.

Множественная сезонность. Почасовые данные потребления электроэнергии имеют три сезонности: суточную (24 ч), недельную (168 ч), годовую (8760 ч). SARIMA справляется только с одной. Prophet обрабатывает несколько, но медленно масштабируется на тысячи рядов.

Пропуски и аномалии в данных. Пропуск в сенсорных данных — это информация (датчик отключился), а не просто NaN. Линейная интерполяция убивает этот сигнал. Правильная обработка зависит от природы пропуска.

Cold start при иерархическом прогнозировании. Новый SKU в ассортименте из 50 000 позиций: исторических данных нет, нужен прогноз. Стандартные подходы тут не работают — нужны cross-learning подходы или feature-based методы.

Какие инструменты и когда применять?

Prophet (Meta) — отличный старт для бизнес-данных с понятной сезонностью и праздниками. Быстро настраивается, интерпретируем, встроенная обработка выбросов и пропусков. Падает в точности при нерегулярных паттернах и не масштабируется на десятки тысяч рядов без параллелизации. Prophet (Facebook) — официальная документация.

Gradient boosting на фичах (LightGBM, XGBoost) — часто недооценённый подход. Создаёте фичи вручную: лаги (t-1, t-7, t-28), скользящие средние, категориальные признаки (день недели, месяц), экзогенные переменные. Модель обучается на всех рядах одновременно — решает cold start через похожие ряды. MAPE на ритейл-прогнозировании часто лучше нейронных сетей при правильной feature engineering.

TFT (Temporal Fusion Transformer) — трансформер, специально разработанный для интерпретируемого прогнозирования с ковариатами. Встроенные механизмы: variable selection (какие признаки важны), temporal self-attention (какие временные точки влияют на прогноз), квантильные предсказания. Доступен в pytorch-forecasting. Требует ~10 000+ записей на ряд для стабильного обучения. Temporal Fusion Transformer — академическая публикация.

PatchTST — трансформер, который делит временной ряд на патчи (аналогично ViT для изображений). Лучше захватывает локальные паттерны, чем классические трансформеры. Хорошо работает для long-horizon forecasting (прогноз на 96–720 шагов). Реализация в neuralforecast от Nixtla.

N-HiTS, N-BEATS — нейронные архитектуры без attention, быстрее TFT, конкурентная точность. N-BEATS выигрывает на M4/M5 benchmark для задач без ковариат.

Как мы разворачиваем TFT в production?

TFT требует тщательной подготовки данных. Типичный пайплайн через pytorch-forecasting:

training = TimeSeriesDataSet(
    data,
    time_idx="time_idx",
    target="sales",
    group_ids=["store", "sku"],
    min_encoder_length=max_encoder_length // 2,
    max_encoder_length=max_encoder_length,  # 120 дней
    min_prediction_length=1,
    max_prediction_length=max_prediction_length,  # 28 дней
    static_categoricals=["store_type", "category"],
    time_varying_known_reals=["price", "promo_flag"],
    time_varying_unknown_reals=["sales"],
    target_normalizer=GroupNormalizer(groups=["store", "sku"], transformation="softplus"),
)

Частая ошибка: target_normalizer по умолчанию (StandardScaler) ломает предсказания для рядов с нулевыми значениями (нет продаж в выходные). GroupNormalizer с transformation="softplus" — правильный выбор для count-данных.

Пошаговая инструкция по настройке TFT

1. Сбор и подготовка данных. Обработать пропуски (маркировать NaN, интерполировать только если это технический сбой), агрегировать до нужной частоты, сформировать ковариаты (праздники, промо, цены).
2. Создание TimeSeriesDataSet. Указать group_ids (например, магазин+SKU), временной индекс, горизонт прогноза. Настроить target_normalizer с учётом распределения таргета.
3. Обучение baseline. Сначала Prophet или LightGBM — чтобы понять, насколько сложнее задача.
4. Тренировка TFT. Запустить TemporalFusionTransformer с loss=QuantileLoss(), подобрать learning rate и размеры hidden слоёв. Использовать pytorch_forecasting или neuralforecast.
5. Валидация и интерпретация. Проверить walk-forward, проанализировать variable selection, построить attention heatmap.

Кейс: прогноз спроса в ритейле. Сеть из 120 магазинов, 8000 SKU, горизонт прогноза 28 дней. Исходная система: SARIMA отдельно для каждого ряда, MAPE 18.4%, полный цикл переобучения — 6 часов. TFT на PyTorch + pytorch-forecasting: одна модель на все ряды, MAPE 11.2%, переобучение — 40 мин на A10G. Дополнительный бонус: feature importance через variable selection — выяснилось, что day_before_holiday влияет сильнее, чем сама дата праздника. Средняя экономия бюджета на инференсе для клиента составила 1.5 млн ₽ в год.

Как правильно оценивать качество прогнозов?

Не используйте RMSE как единственную метрику — она сильно штрафует за большие ошибки на больших значениях. Наш набор метрик для ритейл-прогнозирования:

• MAPE — интерпретируема, но нестабильна при значениях близких к нулю
• sMAPE — симметричная версия, избегает деления на маленькие числа
• MASE (Mean Absolute Scaled Error) — нормализован относительно наивного сезонного прогноза, отлично подходит для сравнения между рядами с разными масштабами
• Quantile loss / Pinball loss — для вероятностного прогнозирования, оценка покрытия интервалов

Гарантируем: мы предоставляем model card с этими метриками на валидационной выборке и результаты walk-forward теста на истории не менее 6 месяцев.

Что входит в работу

• Документация по выбранной архитектуре, обоснование выбора гиперпараметров.
• Воспроизводимый пайплайн обучения и инференса (Docker + CI/CD + Airflow/Prefect).
• Код с комментариями и модульными тестами на ключевые компоненты.
• Обучение вашей команды: как переобучать модель, как интерпретировать выходы, как деплоить новые версии.
• Поддержка в течение 3 месяцев после сдачи: консультации, фиксы багов, донастройка.

Процесс работы

Начинаем с EDA: визуализация, тест ADF на стационарность, STL-декомпозиция, анализ пропусков и выбросов. Это 2–3 дня, но часто выявляет системные проблемы данных, которые блокируют прогнозирование.

Затем: baseline (наивный seasonal, Prophet), feature engineering для LGBM, выбор архитектуры нейронной сети если нужно. Walk-forward validation с реалистичным горизонтом. Деплой через API с автоматическим переобучением по расписанию через Airflow или Prefect.

Сроки ориентировочно: MVP-прогноз на одном типе данных — 3–6 недель. Иерархическая система прогнозирования с автоматизацией — 2–5 месяцев. Стоимость рассчитывается индивидуально.

Наша команда — сертифицированные ML-инженеры (AWS ML Specialty, GCP Professional ML Engineer). За 5 лет на рынке реализовали более 50 проектов по прогнозированию. Свяжитесь с нами для бесплатного анализа ваших данных — мы оценим задачу и дадим первые рекомендации за 1–2 дня. Закажите консультацию и убедитесь, что ваши прогнозы работают в production, а не только в ноутбуке.