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。
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。
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。
包含更多的预测变量不是免费的:在系数估算的更多可变性,更难的解释以及可能包含高度依赖的预测变量方面要付出代价。
最新研究表明,中国有超过7亿人在观看在线视频内容。
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。
网络模型已经成为抽象复杂系统,是深入了解许多科学领域中观测变量之间的关系模式的流行方法。
我们首先讨论多项式回归,进一步,我们会想到分段线性或分段多项式函数,可能还有附加的连续性约束,这些是样条曲线回归的基础。
随着越来越多的数据被数字化,获取信息变得越来越困难。我们在本文中重点关注的一个示例是评估公司面临的不同风险领域。
利率衍生证券的定价依赖于描述基本过程的模型。这些利率模型取决于您必须通过将模型预测与市场上可用的现有数据进行匹配来确定的一个或多个参数。
本文简要介绍一下网络分析,我想提供一些有关“友谊悖论”的R语言例证。友谊悖论指出
最近我们被客户要求撰写关于MCMC采样的研究报告。在许多情况下,我们没有足够的计算能力评估空间中所有n维像素的后验概率 。在这些情况下,我们倾向于利用称为Markov-Chain Monte Carlo 算法的程序 。
本文在股市可视化中可视化相关矩阵 :最小生成树
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。
本说明介绍使用Student-t改进的GARCH(1,1)模型对汇率对数收益进行贝叶斯估计。
灰色关联分析包括两个重要功能。
第一项功能:灰色关联度,与correlation系数相似,如果要评估某些单位,在使用此功能之前转置数据。第二个功能:灰色聚类,如层次聚类。
最近我们被客户要求撰写关于分析各种投资的历史收益的研究报告。要执行此分析,我们需要资产的历史数据。数据提供者很多,有些是免费的,大多数是付费的。
在本文中,您将发现如何使用标准深度学习模型(包括多层感知器(MLP),卷积神经网络(CNN)和递归神经网络(RNN))开发,评估和做出预测。
深度学习的预测建模是现代开发人员需要了解的一项技能。
大数据背景下各种数据相关的岗位变得炙手可热,长期处于供不应求的状态。近年来随着人工智能的发展,数据分析岗也越发火热。
随着多媒体技术的不断发展,数码相机,高清拍照手机等多媒体设备己经在人们的生活中占据了越来越重要的地位。
我们将使用整容手术数据说明两种中心化类型,并对其进行等级线性模型分析。
在本教程中,我们将讨论一种非常强大的优化(或自动化)算法,即网格搜索算法。
本教程的主要目的是找到模型和检验关于这些特征与学生受欢迎程度(根据其同学)之间的关系的假设。
在这篇文章中,我将从一个基本的线性模型开始,然后从那里尝试找到一个更合适的线性模型。 由于空气质
对于分类问题,通常根据与分类器关联的混淆矩阵来定义分类器性能。
在本节中,我将重点介绍使用集成嵌套 拉普拉斯近似方法的贝叶斯推理。
本教程介绍了生存分析,以及如何在R中进行生存分析
几个月以来,我一直对序数回归与项目响应理论(IRT)之间的关系感兴趣。 在这篇文章中,我重点介绍Rasch分析。
在本课程中,我们将考虑一些线性模型的替代拟合方法,除了通常的 普通最小二乘法。
本文是有关 基于树的 回归和分类方法的。
R语言无监督学习:PCA主成分分析可视化
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语言析因设计分析:线性模型中的对比
本文将使用三种方法使模型适合曲线数据:1)多项式回归;2)用多项式样条进行B样条回归;3) 进行非线性回归。
NASA有32,000多个数据集,有关NASA数据集的元数据 可以JSON格式在线获得。
R语言对NASA元数据进行文本挖掘的主题建模分析
脉冲响应分析是采用向量自回归模型的计量经济学分析中的重要一步。
主成分回归(PCR)的方法 本质上是使用第一个方法的普通最小二乘(OLS)拟合来自预测变量的主成分(PC)。
偏最小二乘回归是一种回归形式 。
深度学习无处不在。在本文中,我们将使用Keras进行文本分类。
在Python中自然语言处理生成词云WordCloud
在本文中,您将看到如何在Python中执行对象检测。
在本文中,我们将研究FastText,它是用于单词嵌入和文本分类的另一个极其有用的模块。
主成分分析(PCA)是一种数据降维技巧,它能将大量相关变量转化为一组很少的不相关变量,这些无关变量称为主成分。
时间序列预测是指我们必须根据时间相关的输入来预测结果的问题类型。
python使用MongoDB,Seaborn和Matplotlib文本分析和可视化API数据
深度学习技术已用于各种文本生成任务,例如写作诗歌,生成电影脚本甚至创作音乐。
缺失值被认为是预测建模的首要障碍。因此,掌握克服这些问题的方法很重要。
在本文中我们用R语言模拟混合制排队随机服务排队系统。
本文展示如何用R语言动态图可视化:如何、创建具有精美动画的图。
贝叶斯隐马尔可夫模型是一种用于分割连续多变量数据的概率模型。
此示例说明如何将贝叶斯优化应用于深度学习,以及如何为卷积神经网络找到最佳网络超参数和训练选项。
用Prophet在Python中进行时间序列预测
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。
python暗网市场关联规则学习菜篮子分析
本示例使用Python和SAS分析了预防高危药物研究的结果。这个社交网络有194个节点和273个边,分别代表药物使用者和这些使用者之间的联系。
确定数据集中最佳的簇数是分区(划分)聚类(例如k均值聚类)中的一个基本问题,它要求用户指定要生成的簇数k。
R语言最优聚类数目k改进kmean聚类算法
如何在python 深度学习Keras中计算神经网络集成模型
Cluster Validity – Optimal Cluster Number in Matlab
In order to find out the main factors affecting price fluctuations, we use stepwise regression to eliminate some independent variables that have little impact on the dependent variable, that is, the price. The name of the variable is changed to x1, x2…
我尝试使用Latent Dirichlet分配LDA来提取一些主题。 本教程以自然语言处理流程为特色,从原始数据开始,准备,建模,可视化论文。
R语言rjags使用随机效应进行臭氧数据分析
最近我们被客户要求撰写关于文本挖掘的研究报告。我们对20个Usenet公告板的20,000条消息进行分析。
R语言解决最优化运营研究问题-线性优化(LP)问题
永远不要错过任何见解。当新文章发表时,我们会通过微信公众号向您推送。
技术干货
最新洞察
This will close in 0 seconds