R语言拟合改进的稀疏广义加性模型(RGAM)预测、交叉验证、可视化
这是一种拟合稀疏广义加性模型(GAM)的新方法。
这是一种拟合稀疏广义加性模型(GAM)的新方法。
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。
本文通过利用回归模型帮助客户对电影的票房数据(以及放映场数,观影人数)进行了研究,确定了决定电影的票房的重要因素。
数据挖掘和分析的最核心也最重要的问题就是“预测”。
KNN是一种非参数学习算法,这意味着它不会对底层数据做出任何假设。
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。
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。
众所周知,心脏疾病是目前全球最主要的死因。
机器学习模型的表现不佳通常是由于过度拟合或欠拟合引起的,我们将重点关注客户经常遇到的过拟合情况。
自2019年12月以来,传染性冠状病毒疾病2019(COVID-19)迅速席卷全球,并在短短几个月内达到了大流行状态。
当面对多个模型时,我们有多种选择。
随着全球经济的不断发展,污染物的排放和环境污染问题日益严重。
本文通过利用回归模型对天猫商品流行度进行了研究,确定了决定天猫商品流行度的重要因素。
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。
WeChat Tencent QQ email print 由Junjun Li撰写 然而,如何准确地预测房屋
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。
本文通过分析电子商务平台的用户购物行为,帮助客户构建了一个基于决策树模型的用户购物行为预测分析模型。
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。
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。
GAMLSS模型是一种半参数回归模型,参数性体现在需要对响应变量作参数化分布的假设,非参数性体现在模型中解释变量的函数可以涉及非参数平滑函数,非参数平滑函数不预先设定函数关系,各个解释变量的非线性影响结果完全取决于样本数据。
基于当前统计的股票数据选择最优的选股方案和投资组合方案,以及预测股票价格未来一段时间的走向趋势以及波动程度,具有很大的实用价值
借着二胎政策的开放与家庭消费升级的东风,母婴市场迎来了生机盎然的春天,尤其是母婴电商行业,近年来发展迅猛。
我们最近有一个很棒的机会与一位伟大的客户合作,要求构建一个适合他们需求的持向量机回归模型。
我国以前一直以来都是世界上大豆生产的第一大国。
摘要:此报告首先将dataset进行数据清洗,得到dataset_new。
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。
让个人购买人员了解美国国债期货的特性,以便于进行个人投资及管理。
最近我们被客户要求撰写关于投资组合的研究报告,引入Copula来描述多只股票间的非线性相关性,构建多元GARCH-EVT-Copula模型来度量开放式基金的风险,并与其他VaR估计方法的预测结果进行比较。
本文基于 CPV 模型, 对房地产信贷风险进行了度量与预测。
团队需要分析一个来自在线零售商的数据集。
在本工作表中,我们将研究价格、收益率和波动性。波动性通常用收益率的均方差来衡量,例如夏普比率的分母,它被用作风险的衡量标准。
本文收集信息和数据,从多方面评估分析美光科技的市场走向,商业前景。
数据变得越来越重要,其核心应用“预测”也成为互联网行业以及产业变革的重要力量。
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。
在拟合 GLM(并检查残差)之后,可以使用 z 检验一一检验估计参数的显着性,即将估计值与其标准误差进行比较。
本文在相对简单的数据集上探索不同的时间序列技术。
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)。
此示例说明如何使用长短期记忆 (LSTM) 网络预测时间序列
此示例说明如何从 VEC( q ) 模型生成 Monte Carlo 预测。
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。
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。
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
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。
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。
该数据与银行机构的直接营销活动相关,营销活动基于电话。
纪录片能够真实、详尽地反映一个地区的风貌,展示经济发展和社会进步。
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。
在之前的文章中,我们研究了许多使用 多输出回归分析的方法。
VARs的结构也允许联合检验多个方程的限制。
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。
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。
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。
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。
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)。
本文介绍具有分组惩罚的线性回归、GLM和Cox回归模型的正则化路径。
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。
当一个序列遵循随机游走模型时,就说它是非平稳的。
分类树的一个常见用途是预测抵押贷款申请人是否会拖欠贷款。
本文描述了如何 使用内置 R 执行主成分分析 ( PCA )。
世界卫生组织估计全世界每年有 1200 万人死于心脏病。
支持向量回归(SVR)是一种回归算法,它应用支持向量机(SVM)的类似技术进行回归分析。
WeChat Tencent QQ email print 由Kaizong Ye,Coin Ge撰写 使用l
本文档通过一些探索性数据分析来制定河流的评级曲线和流量预测。
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。
配置神经网络很困难,因为没有关于如何去做的好的理论。
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。
使用 garch 指定一个单变量GARCH(广义自回归条件异方差)模型。
本教程使用R介绍了具有非信息先验的贝叶斯 GLM(广义线性模型)。
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