第1章 基本介绍
1.1 时间序列数据
1.2 数据的基本处理
1.3 平稳性检验及处理
第2章 时间序列的分解
2.1 X11分解法
2.2 X-13ARIMA-SEATS
2.3 STL分解法
第3章 时间序列可视化
3.1 基本可视化
3.2 季节性的可视化
第4章 ARIMA模型
4.1 ARIMA模型介绍
4.2 疏系数模型
4.3 季节性SARIMA模型
4.4 ARIMAX模型
4.5 课后习题
第5章 GARCH模型
5.1 GARCH模型的定义及其性质
5.2 GARCH模型的估计方法
5.3 CARCH模型的检验
5.4 GARCH模型的应用
5.5 GARCH模型的缺点
5.6 GARCH模型的变种-EGARCH模型
5.7 课后习题
第6章 VAR模型
6.1 基本概念
6.2 不平稳数据及协整检验
6.3 模型应用
6.4 VARX模型
6.5 VAR(p)模型实例应用
6.6 课后习题
第7章 基于机器学习的时间序列预测方法
7.1 “预言家”(Prophet)模型
7.2 梯度提升树(GBM)
7.3 随机森林(Random Forest)
7.4 BP神经网络(BPNN)
7.5 LSTM(长短时记忆网络)
7.6 RNN(递归神经网络)
7.7 练习题
第8章 混沌时间序列预测
8.1 计算混沌特征的参数
8.2 混沌时间序列预测
第9章 综合案例分析
9.1 知识总结
9.2 综合案例分析
9.3 课后习题
参考文献
展开