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=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=24057 原文出处：拓端数据部落公众号 1.概要 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。Google股票数据集是使用R中的Quantmod软件包从Yahoo Finance获得的。 2.简介 预测 ...

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 ...

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=16392 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。当前有两种类型的神经网络可用，多层感知器；和极限学习机 ...

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 ...