原文链接:http://tecdat.cn/?p=24407 原文出处:拓端数据部落公众号 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。 介绍 一个 ARMA (AutoRegressive-Moving ...
原文链接:http: tecdat.cn p 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。 以下是一个时间序列示例,该示例说明了从 年到 年每月航空公司的乘客数量。 时间序列预测 时间序列预测是使用统计模型根据过去的结果预测时间序列的未来值的过程。 一些示例 预测未来的客户数量。 解释销售中的季节性模式。 检测异常事件并估计其影响的程度。 估计新推出的产品对已售出 ...
2021-03-03 15:03 0 338 推荐指数:
原文链接:http://tecdat.cn/?p=24407 原文出处:拓端数据部落公众号 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。 介绍 一个 ARMA (AutoRegressive-Moving ...
原文链接:http://tecdat.cn/?p=12260 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。 ARIMA是首字母缩写词,代表自动回归移动平均。它是一类模型,可在时间序列数据中捕获一组不同的标准时间结构。 在本教程中,您将发现如何使用Python开发用于 ...
原文链接: http://tecdat.cn/?p=24092 原文出处:拓端数据部落公众号 前言 在量化金融中,我学习了各种时间序列分析技术以及如何使用它们。 通过发展我们的时间序列分析 (TSA) 方法组合,我们能够更好地了解已经发生的事情,并对未来做出更好、更有利的预测。示例应用 ...
本文我们使用4个时间序列模型对每周的温度序列建模。第一个是通过auto.arima获得的,然后两个是SARIMA模型,最后一个是Buys-Ballot方法。 我们使用以下数据 k=620n=nrow(elec)futu=(k+1):ny=electricite$Load[1:k]plot(y ...
原文链接:http://tecdat.cn/?p=23934 原文出处:拓端数据部落公众号 引言 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。波动率建模需要两个主要步骤。 指定一个均值方程(例如 ARMA,AR,MA,ARIMA 等)。 建立 ...
原文链接:http://tecdat.cn/?p=25122 原文出处:拓端数据部落公众号 当一个序列遵循随机游走模型时,就说它是非平稳的。我们可以通过对时间序列进行一阶差分来对其进行平稳化,这将产生一个平稳序列,即零均值白噪声序列。例如,股票的股价遵循随机游走模型,收益序列(价格序列 ...
原文链接:http://tecdat.cn/?p=17622 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。 接下来是我对这些模型的理解 ...
原文链接:http://tecdat.cn/?p=20434 本文从实践角度讨论了季节性单位根。我们考虑一些时间序列 ,例如道路上的交通流量, > plot(T,X ...