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。
Tag Archives: 时间序列
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。
【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。
python在Keras中使用LSTM解决序列问题
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。
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
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。
R语言GARCH-DCC模型和DCC（MVT）建模估计
这个简短的演示说明了使用rmgarch软件包的DCC模型及其方法的使用，尤其是在存在MVT分布形状参数的情况下进行2级DCC估计的另一种方法。
R语言如何做马尔可夫转换模型markov switching model
最近我们被客户要求撰写关于时间序列的研究报告。假设有时间序列数据，如下所示。经验表明，目标变量y似乎与解释变量x有关。
R语言向量自回归模型(VAR)及其实现
VAR面临的批评是他们是理论上的; 也就是说，它们不是建立在一些经济学理论的基础上，这些理论强加了方程式的理论结构。假设每个变量都影响系统中的其他变量，这使得估计系数的直接解释变得困难。尽管如此，VAR在几种情况下都很有用：
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。
matlab估计arma garch 条件均值和方差模型
此示例显示如何使用估计复合条件均值和方差模型estimate。
R语言预测期货波动率的实现：ARCH与HAR-RV与GARCH，ARFIMA模型比较
波动率是众多定价和风险模型中的关键参数，例如BS定价方法或风险价值的计算。
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语言实现向量自回归VAR模型
澳大利亚在2008 – 2009年全球金融危机期间发生了这种情况。政府发布了一揽子刺激计划，其中包括2008年12月的现金支付，恰逢圣诞节支出。
R语言GAM（广义相加模型）对物业耗电量进行预测
我已经准备了一个文件，其中包含四个用电时间序列来进行分析。数据操作将由data.table程序包完成。
matlab预测ARMA-GARCH 条件均值和方差模型
此示例显示MATLAB如何从复合条件均值和方差模型预测 和条件差异。
R语言使用ARIMA模型预测股票收益
“预测非常困难，特别是关于未来”。-丹麦物理学家尼尔斯·波尔（Neils Bohr）
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
