R语言神经网络模型金融应用预测上证指数时间序列可视化
本文旨在利用神经网络模型来帮助客户预测上证指数的收盘价，通过分析不同历史数据作为输入，建立模型并进行预测。
Search Results: 时间序列
数据分享|Eviews用ARIMA、指数曲线趋势模型对中国进出口总额时间序列预测分析
众自20世纪80年代至今，随着改革开放的深入以及中国最终加入WTO，我国的对外贸易实现了跨越式的发展，中国已经成为世界第一大出口国和第二大进口国，中国经济对世界经济做出了重大贡献。
python、R语言ARIMA-GARCH分析南方恒生中国企业ETF基金净值时间序列分析
虽然中国股票市场日益完善,但还不完全是弱有效市场,因此中国股票市场存在比较明显的通过技术分析达到的套利机会。
Python自激励阈值自回归(SETAR)、ARMA、BDS检验、预测分析太阳黑子时间序列数据
这篇文章展示了自激励阈值自回归SETAR的使用，用于分析经常被客户研究的太阳黑子数据集。
Python随机波动性SV模型：贝叶斯推断马尔可夫链蒙特卡洛MCMC分析英镑/美元汇率时间序列数据
WeChat Tencent QQ email print 由Kaizong Ye，Sherry Deng撰写
R语言非线性动态回归模型ARIMAX、随机、确定性趋势时间序列预测个人消费和收入、用电量、国际游客数量
传统时间序列模型允许包含过去观察到的系列信息，但不允许客户包含其他可能相关的信息。
Python随机波动模型Stochastic volatility，SV随机变分推断SVI分析标普500指数股票价格时间序列数据波动性可视化
随机波动模型（Stochastic volatility models）经常被客户用来对股票价格随时间的变动性进行建模。
Python时间序列分析苹果股票数据：分解、平稳性检验、滤波器、滑动窗口平滑、移动平均、可视化
时间序列是一系列按时间顺序排列的观测数据。
Python用 tslearn 进行时间序列聚类可视化
Python用 tslearn 进行时间序列聚类可视化
Python用GARCH对ADBL股票价格时间序列趋势滚动预测、损失、可视化分析
金融市场的股票价格时间序列分析一直以来都是投资者和研究者关注的主题之一。
【视频】ARIMA时间序列模型原理和R语言ARIMAX预测实现案例
ARIMA是可以拟合时间序列数据的模型，根据自身的过去值(即自身的滞后和滞后的预测误差)“解释” 给定的时间序列，因此可以使用方程式预测未来价值。
R语言Copula对债券时间序列数据的流动性风险进行度量
在金融市场中，债券的流动性风险一直是一个备受关注的问题。
R语言ARMA-GARCH模型金融产品价格实证分析黄金价格时间序列
研究黄金价格的动态演变过程至关重要。
R语言武汉流动人口趋势预测：灰色模型GM（1，1）、ARIMA时间序列、logistic逻辑回归模型
人口流动与迁移，作为人类产生以来就存在的一种社会现象，伴随着人类文明的不断进步从未间断。
R语言交互可视化分析房屋市场：arima、VAR时间序列、XGBoost、主成分分析、LASSO可视化报告
在当前海量数据和资源的情况下，面对客户需求。
R语言ARIMA模型分析预测上海空气质量指数AQI时间序列
指数平滑法对于预测来说是非常有帮助的，而且它对时间序列上面连续的值之间相关性没有要求。
R语言神经网络模型预测多元时间序列数据可视化
多元时间序列建模一直是吸引了来自经济，金融和交通等各个领域的研究人员的主题。
R语言单位根、协整关系Granger因果检验、RESET分析汇率在岸和离岸数据时间序列
单位根的随机性趋势与协整关系对实证分析中时间序列的影响是不容小觑的。
R语言指数平滑预测法分析南京出租车打车软件空载率时间序列补贴政策可行性
本文通过建立空载率的数学模型，帮助客户来分析出租车的空载率，从而对出租车补贴政策能否提高高峰期的实载率，缓解打车难问题进行了说明。
Python电力负荷预测：ARIMA、LSTM神经网络时间序列分析
电力系统源源不断向各用户提供持续稳定的电能，本文通过对数据的提取。
R语言独立成分分析fastICA、谱聚类、支持向量回归SVR模型预测商店销量时间序列可视化
本文利用R语言的独立成分分析（ICA）、谱聚类（CS）和支持向量回归 SVR 模型帮助客户对商店销量进行预测。
R语言MCMC-GARCH、风险价值VaR模型股价波动分析上证指数时间序列
随着金融市场全球化的发展，金融产品逐渐受到越来越多的关注，而金融产品的风险度量成为投资者最关心的问题。
R语言DCC-GARCH模型对上证指数、印花税收入时间序列数据联动性预测可视化
普通的模型对于两个序列的波动分析一般是静态的，但是dcc-garch模型可以实现他们之间动态相关的波动分析
R语言Pearson相关性分析降雨量和“外卖”谷歌搜索热度google trend时间序列数据可视化
Google Trends， 即谷歌趋势。
R语言Pearson相关性分析就业率和“性别平等”谷歌搜索热度google trend时间序列数据可视化
WeChat Tencent QQ email print 由Kaizong Ye，Liao Bao撰写 谷歌
SAS与eviews用ARIMA模型对我国大豆产量时间序列预测、稳定性、白噪声检验可视化
我国以前一直以来都是世界上大豆生产的第一大国。
R语言随机波动模型SV：马尔可夫蒙特卡罗法MCMC、正则化广义矩估计GMM和准最大似然估计QMLE上证指数收益时间序列
本文做SV模型，选取马尔可夫蒙特卡罗法(MCMC)、正则化广义矩估计法和准最大似然估计法估计。
Python用Lstm神经网络、离散小波转换DWT降噪对中压电网电压时间序列预测
对于电力公司来说，对局部放电的准确预测可以显著降低人力物力成本。
R语言EG(Engle-Granger)两步法协整检验、RESET、格兰杰因果检验、VAR模型分析消费者价格指数CPI和生产者价格指数PPI时间序列关系
作为衡量通货膨胀的基本指标，消费者价格指数CPI和生产者价格指数PPI的作用关系与传导机制一直是宏观经济研究的核心问题。
SPSS时间序列ARIMA、指数平滑法、模型检验分析汽车销量数据
本文对汽车销量数据进行时间序列数据分析，我们向客户演示了用SPSS的ARIMA、指数平滑法可以提供的内容。
R语言用ARIMA模型滑动时间窗口识别网络流量时间序列异常值
最近我们被要求解决时间序列异常检验的问题。
【视频】时间序列分类方法：动态时间规整算法DTW和R语言实现
动态时间扭曲算法何时、如何以及为什么可以有力地取代常见的欧几里得距离，以更好地对时间序列数据进行分类
R语言分析上海空气质量数据：kmean聚类、层次聚类、时间序列分析：arima模型、指数平滑法
最近我们被客户要求撰写关于上海空气质量指数的研究报告。
R语言多元线性回归、ARIMA分析美国不同候选人对经济GDP时间序列影响
近段时间，美国总统大选引起了世界各国的关注。
Eviews用向量自回归模型VAR实证分析公路交通通车里程与经济发展GDP协整关系时间序列数据和脉冲响应可视化
河源市是国务院1988年1月7日批准设立的地级市，为了深入研究河源市公路交通与经济发展的关系，本文选取了1988－2014年河源市建市以来24年的地区生产总值（GDP）和公路通车里程（GL）的时间序列数据。
R语言广义矩量法GMM和广义经验似然GEL估计ARMA、CAPM模型分析股票收益时间序列
本文展示了如何通过矩量的广义方法和广义经验似然来估计模型。
R语言用logistic逻辑回归和AFRIMA、ARIMA时间序列模型预测世界人口
本文应用R软件技术，通过在世界银行网站上查阅的世界人口历史数据，分别利用logistic模型、ARFMA模型、ARIMA模型、时间序列模型对从2016到2100年的世界人口进行预测。
Python用ARIMA ，ARIMAX预测商店商品销售需求时间序列数据
本文在相对简单的数据集上探索不同的时间序列技术。
Matlab随机波动率SV、GARCH用MCMC马尔可夫链蒙特卡罗方法分析汇率时间序列
波动率是一个重要的概念，在金融和交易中有许多应用。它是期权定价的基础。波动率还可以让您确定资产配置并计算投资组合的风险价值 (VaR)。
Matlab用深度学习循环神经网络RNN长短期记忆LSTM进行波形时间序列数据预测
此示例说明如何使用长短期记忆 (LSTM) 网络预测时间序列
Matlab用向量误差修正VECM模型蒙特卡洛Monte Carlo预测债券利率时间序列和MMSE 预测
此示例说明如何从 VEC( q ) 模型生成 Monte Carlo 预测。
Python 用几何布朗运动模型和蒙特卡罗Monte Carlo随机过程模拟股票价格可视化分析耐克NKE股价时间序列数据
金融资产/证券已使用多种技术进行建模。
Python用KShape对时间序列进行聚类和肘方法确定最优聚类数k可视化
时序数据的聚类方法
Python用RNN循环神经网络：LSTM长期记忆、GRU门循环单元、回归和ARIMA对COVID-19新冠疫情新增人数时间序列预测
该数据由Hopkins 大学根据世界各国提供的新病例数据提供。
R语言用GARCH模型波动率建模和预测、回测风险价值 (VaR)分析股市收益率时间序列
风险价值 (VaR) 是金融风险管理中使用最广泛的市场风险度量，也被投资组合经理等从业者用来解释未来市场风险。
R语言隐马尔可夫模型HMM连续序列重要性重抽样CSIR估计随机波动率模型SV分析股票收益率时间序列
在本笔记本中，我们向读者介绍了基本的随机波动率模型，并通过连续顺序重要性重采样讨论了它们的估计。我们使用收益率数据集来讨论 CSIR 在随机波动率模型估计中的实现和性能。
Python TensorFlow循环神经网络RNN-LSTM神经网络预测股票市场价格时间序列和MSE评估准确性
该项目包括：自 2000 年 1 月以来的股票价格数据。我们使用的是 Microsoft 股票。
Python用Keras的LSTM神经网络进行时间序列预测天然气价格例
一个简单的编码器-解码器LSTM神经网络应用于时间序列预测问题
MATLAB用深度学习长短期记忆 (LSTM) 神经网络对智能手机传感器时间序列数据进行分类
此示例说明如何使用长短期记忆 (LSTM) 网络对序列数据的每个时间步长进行分类。
R语言广义线性模型GLM：线性最小二乘、对数变换、泊松、二项式逻辑回归分析冰淇淋销售时间序列数据和模拟
线性模型是统计学的基础，但它的意义远不止用尺子在几个点上画一条线。
R语言单变量和多变量（多元）动态条件相关系数DCC-GARCH模型分析股票收益率金融时间序列数据波动率
当您处理金融时间序列时，我们通常可以获得相对高频的观察结果。
R语言和Python用泊松过程扩展：霍克斯过程Hawkes Processes分析比特币交易数据订单到达自激过程时间序列
本文描述了一个模型，该模型解释了交易的聚集到达，并展示了如何将其应用于比特币交易数据。
R语言指数加权模型EWMA预测股市多变量波动率时间序列
从广义上讲，复杂的模型可以实现很高的预测准确性。
R语言ARMA GARCH COPULA模型拟合股票收益率时间序列和模拟可视化
最近我们被客户要求撰写关于股票收益率时间序列的研究报告，包括一些图形和统计输出。在本文中，我们展示了 copula GARCH 方法拟合模拟数据和股票数据并进行可视化。
R语言向量自回归VAR的迭代多元预测估计 GDP 增长率时间序列
VARs的结构也允许联合检验多个方程的限制。
R语言多变量广义正交GARCH（GO-GARCH）模型对股市高维波动率时间序列拟合预测
在多变量波动率预测中，我们有时会看到对少数主成分驱动的协方差矩阵建模，而不是完整的股票。
R语言GJR-GARCH和GARCH波动率预测普尔指数时间序列和Mincer Zarnowitz回归、DM检验、JB检验
在投资组合管理、风险管理和衍生品定价中，波动性起着重要作用。
R语言分位数自回归QAR分析痛苦指数：失业率与通货膨胀率时间序列
“分位数自回归”，它是对时间序列域的重要扩展。
python深度学习实现自编码器Autoencoder神经网络异常检测心电图ECG时间序列
通过训练具有小中心层的多层神经网络重构高维输入向量，可以将高维数据转换为低维代码。
R语言极值分析：分块极大值Block-maxima、阈值超额法threshold excess、广义帕累托分布GPD拟合降雨数据时间序列
你们可能知道，实际极值分析有两种常用方法：分块极大值Blockmaxima、阈值超额法threshold excess。
R语言ARIMA、ARIMAX、 动态回归和OLS 回归预测多元时间序列
当ARIMA模型包括其它时间序列作为输入变量时,被称为传递函数模型(transfer function model)、多变量时间序列模型(multivariate time series model)、ARIMAX模型或Box-Tiao模型。
R语言ARIMA、GARCH 和 VAR模型估计、预测ts 和 xts格式时间序列
对于时间序列分析，有两种数据格式： ts （时间序列）和 xts （可扩展时间序列）。
Python用GARCH、离散随机波动率模型DSV模拟和估计股票收益时间序列与蒙特卡洛可视化
这篇文章介绍了一类离散随机波动率模型。
R 语言用RNN循环神经网络 、LSTM长短期记忆网络实现时间序列长期利率预测
2017 年年中，R 推出了 Keras 包 ，这是一个在 Tensorflow 之上运行的综合库，具有 CPU 和 GPU 功能。本文将演示如何在 R 中使用 LSTM 实现时间序列预测。
R语言模拟和预测ARIMA模型、随机游走模型RW时间序列趋势可视化
当一个序列遵循随机游走模型时，就说它是非平稳的。
R语言模拟ARCH过程模型分析时间序列平稳性、波动性
在事物的发展过程中，常表现出复杂的波动情况，即时而波动的幅度较缓，而又时常出现波动集聚性(VolatilitY clustering),在风险研究中经常遇到这种情况。
Matlab用BUGS马尔可夫区制转换Markov switching随机波动率SV模型、序列蒙特卡罗SMC、Metropolis Hastings采样分析时间序列数据
在这个例子中，我们考虑马尔可夫转换随机波动率模型。
R语言风险价值：ARIMA，GARCH模型，Delta-normal法滚动估计，预测VaR（Value at Risk）和回测分析花旗公司股票时间序列数据
此分析的目的是构建一个过程，以在给定时变波动性的情况下正确估计风险价值。 WeChat Tenc
