R语言用多元ARMA,GARCH ,EWMA, ETS,随机波动率SV模型对金融时间序列数据建模
本文将说明单变量和多变量金融时间序列的不同模型，特别是条件均值和条件协方差矩阵、波动率的模型。
Search Results: 时间序列
R语言神经网络模型预测车辆数量时间序列
具有单个隐藏层和滞后输入的前馈神经网络，可以用于预测单变量时间序列。
使用Python中Keras的LSTM递归神经网络进行时间序列预测
最近我们被客户要求撰写关于时间序列预测的研究报告。时间序列预测问题是预测建模问题中的一种困难类型。
【视频讲解】R语言中的时间序列分析模型：ARIMA-ARCH / GARCH模型分析股票价格
时间序列分析是统计学中的一个主要分支，主要侧重于分析数据集以研究数据的特征并提取有意义的统计信息来预测序列的未来值。时序分析有两种方法，即频域和时域。
R语言ARIMA集成模型预测时间序列分析
本文我们使用4个时间序列模型对每周的温度序列建模。
R语言分位数回归、GAM样条曲线、指数平滑和SARIMA对电力负荷时间序列预测
电力负荷预测是电网规划的基础，其水平的高低将直接影响电网规划质量的优劣。
R语言用多项式回归和ARIMA模型预测电力负荷时间序列数据
根据我们对温度的预测，我们可以预测电力消耗。
Python对商店数据进行lstm和xgboost销售量时间序列建模预测分析
在数据科学学习之旅中，我经常处理日常工作中的时间序列数据集，并据此做出预测。
R语言计量经济学与有时间序列模式的机器学习预测
由于目标是预测理赔频率（以评估保险费水平），因此他建议使用旧数据来训练该模型，并使用最新数据对其进行测试。问题在于该模型没有包含任何时间模式。
R语言时间序列：ARIMA / GARCH模型的交易策略在外汇市场预测应用
最近，我们继续对时间序列建模进行探索，研究时间序列模型的自回归和条件异方差族。我们想了解自回归移动平均值（ARIMA）和广义自回归条件异方差（GARCH）模型。它们在量化金融文献中经常被引用。
用R语言中的神经网络预测时间序列：多层感知器和极限学习机
对于此示例，我将对R中的时间序列进行建模。我将最后24个观察值保留为测试集，并将使用其余的观察值来拟合神经网络。
R语言时间序列数据指数平滑法分析交互式动态可视化
R语言提供了丰富的功能，可用于绘制R中的时间序列数据。
Python中的ARIMA模型、SARIMA模型和SARIMAX模型对时间序列预测
使用ARIMA模型，您可以使用序列过去的值预测时间序列。
python3用ARIMA模型进行时间序列预测
ARIMA模型是一种流行的且广泛使用的用于时间序列预测的统计方法。
使用R语言随机波动模型SV处理时间序列中的随机波动率
采样函数svsample需要其输入数据y是数值向量，而且没有任何缺失值（NA），如果提供其他任何内容，则会报错。
R语言中使用多重聚合预测算法（MAPA）进行时间序列分析
第一估计模型在每个时间聚合级别的拟合度，还提供已识别ETS的可视化。
R语言大数据分析纽约市的311万条投诉统计可视化与时间序列分析
R语言大数据分析纽约市的311万条投诉统计可视化与时间序列分析
R语言从经济时间序列中用HP滤波器，小波滤波和经验模态分解等提取周期性成分分析
经济时间序列的分析通常需要提取其周期性成分。
【视频】在r语言中使用GAM（广义相加模型）进行电力负荷时间序列分析
在绘制的时间序列中可以看到两个主要的季节性：每日和每周。我们在一天中有48个测量值，在一周中有7天，因此这将是我们用来对响应变量进行建模的自变量–电力负荷。
在Python中使用LSTM和PyTorch进行时间序列预测
诸如长期短期记忆网络（LSTM）之类的高级深度学习模型能够捕获时间序列数据中的模式，因此可用于对数据的未来趋势进行预测。
用Prophet在Python中进行时间序列预测
用Prophet在Python中进行时间序列预测
R语言中的prophet预测时间序列数据模型
R语言中的prophet预测时间序列数据模型
Prophet在R语言中进行时间序列数据预测
您将学习如何使用Prophet（在R中）解决一个常见问题：预测公司明年的每日订单。
卡尔曼滤波器：用R语言中的KFAS建模时间序列
ARIMA等传统模型有一个主要缺点 – 它们通常不会解释“冲击”或时间序列的突然变化。
Python中利用长短期记忆模型LSTM进行时间序列预测分析 – 预测电力负荷数据
LSTM（或长期短期存储器网络）允许分析具有长期依赖性的顺序或有序数据。当涉及到这项任务时，传统的神经网络不足，在这方面，LSTM将用于预测这种情况下的电力消耗模式。
R语言混合时间模型预测对时间序列进行点估计
R语言混合时间预测对时间序列进行点估计
R语言中ARMA，ARIMA（Box-Jenkins），SARIMA和ARIMAX模型用于预测时间序列数据
在本文中，我将介绍ARMA，ARIMA（Box-Jenkins），SARIMA和ARIMAX模型如何用于预测给定的时间序列数据。
R语言时间序列和ARIMA模型预测拖拉机销售的制造案例研究
本文是我们通过时间序列和ARIMA模型预测拖拉机销售的制造案例研究示例。
R语言提取时间序列的周期性成分应用EMD，小波滤波器，Baxter过滤器等
对商业周期的分析需要提取时间序列的周期性成分，该时间序列通常也受到诸如潜在趋势或噪声等其他因素的影响。
R语言时间序列TAR阈值自回归模型
为了方便起见，这些模型通常简称为TAR模型。这些模型捕获了线性时间序列模型无法捕获的行为，例如周期，幅度相关的频率和跳跃现象。
时间序列建模三部曲
时间序列建模三部曲
R语言时间序列TAR阈值模型分析
阈值模型用于几个不同的统计领域，而不仅仅是时间序列。
R语言时间序列分析复杂的季节模式
当时间序列数据的频率高于季度或月度时，许多预测程序在分析季节性影响方面遇到了障碍。
R语言对用电负荷时间序列数据进行K-medoids聚类建模和广义加性/相加模型（GAM）回归
通过对用电负荷进行聚类，我们可以提取典型负荷曲线，提高随后的用电量预测的准确性。
Python用广义加性模型GAM进行时间序列分析
每当你发现一个与时间对应的趋势时，你就会看到一个时间序列。
Python时间序列选择波动率预测指数收益算法分析案例
在传统的金融理论中，理性和同质的投资者是核心假设之一，表明每个投资者都有相同的信息，从而做出同样的决定。
R语言k-Shape时间序列聚类方法对股票价格时间序列聚类
这次，我们将使用k-Shape时间序列聚类方法检查与我们有业务关系的公司的股票收益率的时间序列。
使用R语言进行时间序列（arima，指数平滑）分析
最近我们被客户要求撰写关于时间序列的研究报告。分析时间序列数据的第一件事就是将其读入R，并绘制时间序列。
R语言arma-garch-copula模型和金融时间序列案例
最近我们被要求撰写关于金融时间序列的arma-garch-copula的调查报告。
R语言估计时变VAR模型时间序列的实证研究分析案例
R语言估计时变VAR模型时间序列的实证研究分析案例
【视频讲解】时间序列分解和异常检测方法应用案例
我们最近有一个很棒的机会与一位伟大的客户合作，要求Business Science构建一个适合他们需求的开源异常检测算法。
R语言用rle，svm和rpart进行时间序列预测
R语言用rle，svm和rpart进行时间序列预测
R语言多元Copula GARCH 模型时间序列预测
和宏观经济数据不同，金融市场上多为高频数据，比如股票收益率序列。
【视频讲解】机器学习助推快时尚精准销售时间序列预测
对于零售行业来说，预测几乎是商业智能（BI）研究的终极问题，单纯从机器学习的角度来说，做到精准预测很容易，但是结合业务提高企业利润却很难。预测精确性是核心痛点。
多元Copula GARCH 模型时间序列预测
多元Copula GARCH 模型时间序列预测
MATLAB贝叶斯优化混合Bayes-CNN-RNN分析股票市场数据与浅层网络超参数优化
本文旨在介绍一种利用贝叶斯优化方法来优化混合 CNN – RNN 和浅层网络超参数的简单方法，并展示了如何使贝叶斯优化器考虑离散值。
Python用CEEMDAN-LSTM-VMD金融股价数据预测及SVR、AR、HAR对比可视化
股票市场是一个复杂的非线性系统，股价受到许多经济和社会因素的影响。因此，传统的线性或近线性预测模型很难有效、准确地预测股票指数的价格趋势。
Python注意力机制Attention下CNN-LSTM-ARIMA混合模型预测中国银行股票价格|附数据代码
股票市场在经济发展中占据重要地位。由于股票的高回报特性，股票市场吸引了越来越多机构和投资者的关注。
【梯度提升专题】XGBoost、Adaboost、CatBoost预测合集：抗乳腺癌药物优化、信贷风控、比特币应用|附数据代码
金融领域同样挑战重重，信贷风控中精准预测违约支付及把握相关因素变化规律，以及比特币价格走势的准确预判，都对决策制定至关重要。再者，企业经营中处理严重不平衡的破产数据以评估风险，也是一大难点。在此背景下，XGBoost、Adaboost、CatBoost 等梯度提升算法展现出强大的预测能力。
【视频讲解】共享单车使用量预测：RNN, LSTM，GRU循环神经网络和传统机器学习
随着城市化进程的加速，共享单车作为一种绿色、便捷的出行方式，在城市交通中扮演着日益重要的角色。准确预测共享单车的使用量对于优化资源配置、提高运营效率以及满足用户需求具有关键意义。
LSTM神经网络结合PSO粒子群优化对管网优化调度及网络安全入侵检测模型|附数据代码
在当今科技飞速发展的时代，无论是工业生产中的管网系统，还是信息领域的网络安全，都面临着日益复杂的挑战😕。
Python用CNN – LSTM、ARIMA、Prophet股票价格预测的研究与分析|附数据代码
股票市场的波动起伏一直备受投资者关注，准确预测股票价格对于投资者制定合理的投资策略至关重要。
Python、R语言Lasso、Ridge岭回归、XGBoost分析Airbnb房屋数据：旅游市场差异、价格预测
在大众旅游蓬勃发展的背景下，乡村旅游已成为推动乡村经济、社会和文化发展的关键力量。
Python用Markov RNN马尔可夫递归神经网络建模序列数据t-SNE可视化研究
本文聚焦于利用马尔可夫递归神经网络（MarkovRNN）结合树库展开建模工作。
Python用CNN+LSTM+Attention新闻文本分类、锂离子电池健康、寿命预测
WeChat Tencent QQ email print 由Weiqiao Jue撰写 本研究通过CNN+L
R语言VAR模型的多行业关联与溢出效应可视化分析
本文对医疗卫生、通信、金融、房地产和零售等行业的数据展开深入研究。
BC变换的EWMA控制图对顺丰控股股票的分析研究
结合历史股票数据和统计质量管理的思想，对数据作合适的处理并设计合理的控制图是十分关键的。本文将通过展示如何用基于BC变换的EWMA控制图对顺丰控股股票分析，并结合一个Python神经网络、Lasso回归、线性回归、随机森林、ARIMA股票价格时间序列实例的代码数据，为读者提供一套完整的实践数据分析流程。
【视频讲解】Python灰色关联度分析直播带货效用、神经退行性疾病数据
本文展示如何用灰色关联度分析的直播带货效用及作用机制研究，并结合一个分析神经退行性疾病数据实例的代码数据，为读者提供一套完整的实践数据分析流程。
【视频讲解】CatBoost、LightGBM和随机森林的海域气田开发分类研究
本文将通过视频讲解，展示如何用CatBoost、LightGBM和随机森林的海域气田开发特征智能分类，并结合一个python分类预测职员离职:逻辑回归、梯度提升、随机森林、XGB、CatBoost、LGBM交叉验证可视化的代码数据，为读者提供一套完整的实践数据分析流程。
【视频讲解】Python用LSTM、Wavenet神经网络、LightGBM预测股价
在金融科技的浪潮中，量化投资方法以其数据驱动和模型导向的特性，日益成为资本市场分析的重要工具。
Python贝叶斯、transformer自注意力机制self-attention个性化推荐模型预测课程平台学生数据
WeChat Tencent QQ email print 由Kaizong Ye，Kung Fu撰写 解决方
【视频讲解】Python遗传算法GA优化SVR支持向量回归、ANFIS自适应神经模糊推理系统预测证券指数ISE数据
本文旨在通过应用多种机器学习技术，对交易所的历史数据进行深入分析和预测。
R语言极值分析：GEV与GPD模型与MCMC的海洋观测数据极值模拟可视化研究
WeChat Tencent QQ email print 由Kaizong Ye，Liao Bao撰写 准确
【视频讲解】Python比赛LightGBM、XGBoost+GPU和CatBoost预测学生在游戏学习过程表现|数据代码分享
基于游戏进行学习能让学校变得有趣，这种教育方法能让学生在游戏中学习，使其变得有趣和充满活力。
【视频】R语言广义加性模型GAMs非线性效应、比较分析草种耐寒性实验数据可视化
广义加法模型（Generalized Additive Models, GAMs）作为一种高度灵活的统计工具，显著扩展了广义线性模型（Generalized Linear Models, GLMs）的框架。
Python预测体重变化：决策树、tf神经网络、随机森林、梯度提升树、线性回归可视化分析吸烟与健康调查数据
在当今的数据驱动时代，机器学习算法已成为解析复杂数据集、揭示隐藏模式及预测未来趋势的重要工具。
Python TensorFlow双向Bi-LSTM长短期记忆神经网络深度学习可视化用户传感器活动数据
在本文中，我们旨在利用深度学习技术，特别是TensorFlow框架下的Keras库，对WISDM（无线传感器数据挖掘）数据集进行活动识别。
