R语言Garch建模常用软件包比较、拟合标准普尔SP 500指数波动率时间序列和预测可视化
我们研究波动聚集，以及使用单变量 GARCH(1,1) 模型对其进行建模。
Tag Archives: 时间序列
Python用LSTM长短期记忆神经网络的参数优化方法预测时间序列洗发水销售数据
配置神经网络很困难，因为没有关于如何去做的好的理论。
Python金融时间序列模型ARIMA 和GARCH 在股票市场预测应用
这篇文章讨论了自回归综合移动平均模型 (ARIMA) 和自回归条件异方差模型 (GARCH) 及其在股票市场预测中的应用。
Matlab创建向量自回归（VAR）模型分析消费者价格指数 (CPI) 和失业率时间序列
var对象指定了p阶平稳的多变量向量自回归模型（VAR(p)）模型的函数形式并存储了参数值。
MATLAB用GARCH模型对股票市场收益率时间序列波动的拟合与预测
使用 garch 指定一个单变量GARCH（广义自回归条件异方差）模型。
R语言BUGS序列蒙特卡罗SMC、马尔可夫转换随机波动率SV模型、粒子滤波、Metropolis Hastings时间序列分析
在这个例子中，我们考虑马尔可夫转换随机波动率模型。
R语言集成模型：提升树boosting、随机森林、约束最小二乘法加权平均模型融合分析时间序列数据
特别是在经济学/计量经济学中，建模者不相信他们的模型能反映现实。
matlab数据可视化交通流量分析天气条件、共享单车时间序列数据
此示例说明如何使用从传感器获得的数据分析共享单车交通模式， 来预处理带时间戳的数据。数据来自传感器。
Python 用ARIMA、GARCH模型预测分析股票市场收益率时间序列
在量化金融中，我们学习了各种时间序列分析技术以及如何使用它们。
R语言结合新冠疫情COVID-19股票价格预测：ARIMA，KNN和神经网络时间序列分析
本文的目标是使用各种预测模型预测Google的未来股价，然后分析各种模型。
R语言指数平滑法holt-winters分析谷歌Google Analytics博客用户访问时间序列数据
最近我们被客户要求撰写关于谷歌Google Analytics分析的研究报告。在等距时间段内以一系列点获得的数据通常称为时间序列数据。
R语言分布滞后线性和非线性模型（DLNM）分析空气污染（臭氧）、温度对死亡率时间序列数据的影响
分布滞后非线性模型（DLNM）表示一个建模框架，可以灵活地描述在时间序列数据中显示潜在非线性和滞后影响的关联。
Python面板时间序列数据预测：格兰杰因果关系检验Granger causality test药品销售实例与可视化
时间序列是以固定时间_区间_记录的观察序列。
R语言ARIMA-GARCH波动率模型预测股票市场苹果公司日收益率时间序列
在本文中，我们将尝试为苹果公司的日收益率寻找一个合适的 GARCH 模型。
R语言深度学习Keras循环神经网络(RNN)模型预测多输出变量时间序列
递归神经网络被用来分析序列数据。
R语言用综合信息准则比较随机波动率（SV）模型对股票价格时间序列建模
随机波动率（SV）模型是常用于股票价格建模的一系列模型。
R语言用假近邻长短期记忆人工神经网络FNN-LSTM模型进行时间序列深度学习预测4个案例
在最近的一篇文章中，我们展示了一个LSTM模型，通过假近邻（FNN）损失进行正则化，可以用来重建一个非线性动态系统。
R语言计量经济学：工具变量法(两阶段最小二乘法2SLS)线性模型分析人均食品消费时间序列数据和回归诊断
两阶段最小二乘法（2SLS）回归拟合的线性模型是一种常用的工具变量估计方法。
R语言用AR，MA，ARIMA 模型进行时间序列预测
本文讨论用ARIMA模型进行预测。考虑一些简单的平稳的AR（1）模拟时间序列
Python用LSTM长短期记忆神经网络对不稳定降雨量时间序列进行预测分析
最近我们被客户要求撰写关于使用长短期记忆网络（LSTM）来拟合一个不稳定的时间序列的研究报告。
R语言中的神经网络预测时间序列：多层感知器（MLP）和极限学习机（ELM）数据分析报告
用于R语言的多层感知器（MLP）和极限学习机（ELM）进行时间序列预测。
R语言深度学习：用keras神经网络回归模型预测时间序列数据
回归数据可以用Keras深度学习API轻松拟合。
R语言时变波动率和ARCH，GARCH，GARCH-in-mean模型分析股市收益率时间序列
自回归条件异方差（ARCH）模型涉及具有时变异方差的时间序列，其中方差是以特定时间点的现有信息为条件的。
R语言中的copula GARCH模型拟合时间序列并模拟分析
在这个文章中，我们演示了copula GARCH方法（一般情况下）。
R语言分解商业周期时间序列数据：线性滤波器、HP滤波器、Baxter King滤波器、Beveridge Nelson分解等去趋势方法
最近我们被客户要求撰写关于时间序列的研究报告。我们做的第一件事是清除当前环境中的所有变量。这可以通过以下命令进行。
R语言DTW(Dynamic Time Warping) 动态时间规整算法分析时间序列数据和可视化
动态时间规整（DTW,Dynamic time warping,动态时间归整/规整/弯曲）是一种衡量两个序列之间最佳排列的算法。
R语言多元时间序列滚动预测：ARIMA、回归、ARIMAX模型分析
当需要为数据选择最合适的预测模型或方法时，预测者通常将可用的样本分成两部分：内样本（又称 “训练集”）和保留样本（或外样本，或 “测试集”）。
Python中用Prophet模型对天气时间序列进行预测与异常检测
基本的Prophet模型是一个可分解的单变量时间序列模型，结合了趋势、季节性和节假日效应。
R语言状态空间模型和卡尔曼滤波预测酒精死亡人数时间序列
状态空间建模是一种高效、灵活的方法，用于对大量的时间序列和其他数据进行统计推断。本文介绍了状态空间建模，其观测值来自指数族，即高斯、泊松、二项、负二项和伽马分布。
R语言用LOESS(局部加权回归)季节趋势分解（STL）进行时间序列异常检测
这篇文章描述了一种对涉及季节性和趋势成分的时间序列的中点进行建模的方法。
Python用时变马尔可夫区制转换（Markov regime switching）自回归模型分析经济时间序列
本文提供了一个在统计模型中使用马可夫转换模型模型的例子，来复现Kim和Nelson（1999）中提出的一些结果。
Python随机波动率(SV)模型对标普500指数时间序列波动性预测
资产价格具有随时间变化的波动性（逐日收益率的方差）。
R语言使用ARIMAX预测失业率经济时间序列数据
在大数据的趋势下，我们经常需要做预测性分析来帮助我们做决定。
R语言用ARIMA模型，ARIMAX模型预测冰淇淋消费时间序列数据
标准的ARIMA（移动平均自回归模型）模型允许只根据预测变量的过去值进行预测。
R语言经济学：动态模型平均(DMA)、动态模型选择(DMS)预测原油价格时间序列
简要地提供了在经济学中使用模型平均和贝叶斯方法的论据，使用了动态模型平均法（DMA），并与ARIMA、TVP等方法进行比较。希望对经济和金融领域的从业人员和研究人员有用。
R语言时间序列GARCH模型分析股市波动率
在这篇文章中，我们将学习一种在价格序列中建立波动性模型的标准方法，即广义自回归条件异方差（GARCH）模型。
R语言时变向量自回归（TV-VAR）模型分析时间序列和可视化
在心理学研究中，个人主体的模型正变得越来越流行。原因之一是很难从人之间的数据推断出个人过程。另一个原因是，由于移动设备无处不在，从个人获得的时间序列变得越来越多。
R语言用LASSO，adaptive LASSO 预测通货膨胀时间序列
如果你了解数据科学领域，你可能听说过LASSO。LASSO是一个对目标函数中的参数大小进行惩罚的模型，试图将不相关的变量从模型中排除。
R语言arima，向量自回归（VAR），周期自回归(PAR)模型分析温度时间序列
至少有两种非平稳时间序列：具有趋势的时间序列和具有单位根的时间序列（称为单整时间序列）。
Python和R语言使用指数加权平均(EWMA)，ARIMA自回归移动平均模型预测时间序列
本文学习创建时间序列预测的步骤，关注Dickey-Fuller检验、指数加权平均(EWMA)和ARIMA（自回归移动平均）模型，从理论上学习这些概念以及它们在python和R中的实现。
R语言时间序列平稳性几种单位根检验（ADF，KPSS，PP）及比较分析
WeChat Tencent QQ email print 由Kaizong Ye，Liao Bao撰写 μ是
Python用ARIMA和SARIMA模型预测销量时间序列数据
最近我们被客户要求撰写关于预测销量时间序列的研究报告。指数平滑模型是基于对数据趋势和季节性的描述，而ARIMA模型则是为了描述数据的自相关性。
R语言线性回归和时间序列分析北京房价影响因素可视化案例
房价有关的数据可能反映了中国近年来的变化：
R语言分布滞后线性和非线性模型（DLMs和DLNMs）分析时间序列数据
本文演示了在时间序列分析中应用分布滞后线性和非线性模型（DLMs和DLNMs）。
Python | ARIMA时间序列预测模型
时间序列 被定义为一系列按时间顺序索引的数据点。时间顺序可以是每天，每月或每年。
R语言ARIMA，SARIMA预测道路交通流量时间序列分析:季节性、周期性
本文从实践角度讨论了季节性单位根。
ARIMA模型预测CO2浓度时间序列-python实现
时间序列为预测未来数据提供了方法。根据先前的值，时间序列可用于预测经济，天气的趋势。
R语言基于递归神经网络RNN的温度时间序列预测
在本文中，我们将介绍三种提高循环神经网络性能和泛化能力的高级技术。
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。
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。
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。
R语言ARMA-EGARCH模型、集成预测算法对SPX实际波动率进行预测
本文比较了几个时间序列模型，以预测SP 500指数的每日实际波动率。
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。
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。
