Counterfact v2

Counterfact v2 — небольшая transformer-модель (8,7 млн параметров) для оценки причинного эффекта изменения на временной ряд: снижения цены, кампании, запуска или политики. Она обучена только на миллионах синтетических миров с известной причинностью, без реальных или клиентских данных. Одна предобученная модель работает без дообучения и выдаёт ответ менее чем за секунду на CPU.

✨ Ключевые особенности

• 🌕 Предсказывает контрфактический путь ряда и возвращает эффект по периодам, накопленный эффект, P(effect > 0) и 90% интервал.
• 🤖 Axial transformer: внимание по времени внутри каждого ряда и между рядами на каждом шаге; permutation-equivariant по comparison series.
• ✅ Не требует fitting: один pretrained model применяется к любым данным.
• 📌 Обучение полностью на синтетике: random structural causal models с hidden confounders, lagged effects, трендами, сезонностью и structural breaks.
• ⏳ Open research release читает максимум 128 шагов и 8 рядов; длинные входы обрезаются.
• 💻 Лицензия CC BY-NC 4.0: бесплатно для исследований и некоммерческого использования; для коммерции — API или отдельная лицензия.

💻 Пример

from counterfact_open import load, estimate
model = load('model.pt')
e = estimate(model, target=df['sales'].values, t0=80,
             covariates=df[['region_b','region_c','category']].values.T,
             cov_names=['region_b','region_c','category'],
             index=df['week'].tolist())
print(e.summary())

Подробнее

На 1 200 окнах реальных публичных данных Индии и США: ошибка 0,49 (у CausalImpact-style — 0,50), покрытие 90% интервала 0,90, ложные срабатывания 0,10.
Модель на 8,7 млн параметров, ответ на CPU менее чем за секунду; open release ограничен 128 шагами и 8 рядами.
Калибровка проводилась на макро-, финансовых и retail-панелях — проверяйте покрытие интервалов на своём домене.
Лицензия CC BY-NC 4.0; коммерческое использование — через API или отдельную лицензию.