相關主題
商品描述
本書通過案例講述有關的概念和方法，不僅介紹了ARMA 模型、狀態空間模型、Kalman 濾波、單位根檢驗和GARCH 模型等一元時間序列方法，還介紹了很多多元時間序列方法，如線性協整、門限協整、VAR 模型、Granger 因果檢驗、神經網絡模型、可加AR 模型和譜估計等，並且增加了全新的一章講述如何用深度學習進行時間序列分析. 書中強調對真實的時間序列數據進行分析，全程使用R 和Python軟件分析了各個科學領域的實際數據，還分析了金融和經濟數據的例子.本書通俗易懂，理論與應用並重，可作為高等院校統計學和經濟管理等專業“時間序列分析”相關課程的教材，對金融和互聯網等領域的相關從業者也 參考價值.
作者簡介
吳喜之,美國北卡羅來納大學統計系博士，博士生導師。 學位委員會統計學科評議組成員、概率統計學會常務理事、 教委概率統計教材組成員、 統計教材編審委員會委員、數學進展編委、中國統計方法應用標準化技術委員會標準化中統計方法應用分委員會主任委員。主要從事序貫分析，回歸診斷，質量控制和模型選擇等方向的教學與研究。在 重要學術刊物上發表論文50多篇，時著有近二十部專著和教材，代表性著作有《非參數統計》，《現代貝葉斯統計》，多次主持 自然科學基金項目。曾在加利福尼亞大學、北卡羅來那大學、北京大學、南開大學任教。
吳喜之是統計學界的學術帶頭人， 推廣R語言的先驅，曾為我國統計學學科升級為一級學科做出巨大的貢獻，經常應邀到各個大學做統計學與R語言的講座或短期培訓
目錄大綱
前言
第 1 章 引言 / 1
1.1 時間序列的特點 / 1
1.2 時間序列例子 / 2
1.3 R 軟體入門 / 5
1.4 Python 軟體入門 / 8
1.4.1 簡介 / 8
1.4.2 動手實作 / 9
1.5 本章 Python 程式碼 / 10
1.6 習題 / 11
第 2 章 一元時間序列的基本概念和 ARIMA 模型 / 13
2.1 平穩性及相關性度量 / 13
2.1.1 平穩性、自協方差函數和自相關函數 / 14
2.1.2 差分算子和後移算子 / 16
2.2 白噪聲 / 17
2.3 隨機遊走 / 19
2.4 趨勢平穩過程 / 20
2.5 聯合平穩性和互相關函數 / 21
2.6 一般線性模型 / 22
2.7 MA 模型 / 23
2.8 AR 模型 / 27
2.9 ARMA 模型 / 32
2.10 ARIMA 模型 / 37
2.11 季節模型 / 38
2.12 本章 Python 程式碼 / 39
2.13 習題 / 43
第 3 章 一元時間序列資料的擬合及預測：ARIMA 及其他模型 / 47
3.1 擬合及預測的基本目的與預測精度的度量 / 47
3.2 對序列自相關性的混成檢驗 / 49
3.3 ARMA 模型的估計和預測 / 49
3.3.1 ARMA 模型的優選似然估計 / 49
3.3.2 ARMA 模型的矩估計方法 / 50
3.3.3 ARMA 模型預測的基本數學原理 / 50
3.4 簡單指數平滑 / 57
3.5 Holt–Winters 濾波預測方法 / 63
3.6 指數平滑模型的一些術語和符號 / 65
3.7 時間序列季節分解的 LOESS 方法 / 67
3.7.1 LOESS 方法簡介 / 67
3.7.2 利用 LOESS 進行季節分解 / 69
3.8 回歸用於時間序列 / 75
3.9 時間序列的交叉驗證 / 78
3.9.1 交叉驗證：利用固定長度的訓練集預測固定長度的未來 / 78
3.9.2 交叉驗證：利用逐漸增加長度的訓練集預測固定長度的未來 / 81
3.10 更多一元時間序列資料實例分析 / 85
3.10.1 有效聯邦基金利率例子（例 1.4）/ 85
3.10.2 澳洲 Darwin 自 1882 年以來月海平面氣壓指數例子 / 90
3.10.3 中國 12 個機場旅客人數例子 / 98
3.10.4 例 1.2 中 Auckland 降水序列例子 / 104
3.11 本章 Python 程式碼 / 113
3.11.1 例 3.1 中澳大利亞牛奶產量資料 / 113
3.11.2 例 3.2 中尼羅河年流量資料 / 116
3.11.3 例 3.3 中夏威夷 Mauna Loa 火山大氣二氧化碳濃度資料 / 119
3.11.4 例 3.4 中乘機旅客資料 / 120
3.11.5 例 3.6 中中國經濟資料 / 121
3.11.6 例 3.7 中 Nelson 和 Plosser 經濟資料 / 125
3.11.7 例 3.8 中就業人口比例資料 / 126
3.12 習題 / 128
第 4 章 狀態空間模型和 Kalman 濾波 / 130
4.1 動機 / 130
4.2 結構時間序列模型 / 131
4.2.1 局部水準模型 / 131
4.2.2 局部線性趨勢模型 / 132
4.2.3 季節效應 / 132
4.3 一般狀態空間模型 / 133
4.3.1 使用 R 程式套件解狀態空間模型的要點 / 134
4.3.2 係數隨時間變化的回歸 / 135
4.3.3 結構時間序列的一般狀態空間模型表示 / 135
4.3.4 ARMA 模型的狀態空間模型形式 / 138
4.4 Kalman 濾波 / 141
第 5 章 單位根檢驗 / 152
5.1 單整和單位根 / 152
5.2 單位根檢驗 / 156
5.2.1 DF 檢驗、ADF 檢驗以及 PP 檢驗 / 156
5.2.2 KPSS 檢驗 / 162
5.3 本章 Python 程式碼 / 164
第 6 章 長期記憶過程：ARFIMA 模型 / 167
6.1 長期記憶序列 / 167
6.2 介於 I(0) 和 I(1) 之間的長期記憶序列 / 167
6.3 ARFIMA 模型 / 169
6.4 參數 d 的估計 / 171
6.5 ARFIMA 模型擬合尼羅河年流量資料 / 173
第 7 章 GARCH 模型 / 176
7.1 時間序列的波動 / 177
7.2 模型的描述 / 180
7.3 資料的擬合 / 182
7.4 GARCH 模型的延伸 / 188
7.5 本章 Python 程式碼 / 197
第 8 章 多元時間序列的基本概念及資料分析 / 202
8.1 平穩性 / 203
8.2 交叉協方差矩陣和相關矩陣 / 204
8.3 一般線性模型 / 205
8.4 VARMA 模型 / 205
8.5 協整模型和 Granger 因果檢驗 / 209
8.6 多元時間序列案例分析 / 222
8.7 本章 Python 程式碼 / 234
8.8 習題 / 242
第 9 章 非線性時間序列 / 243
9.1 非線性時間序列例子 / 243
9.2 線性 AR 模型 / 248
9.3 自門檻自回歸模型 / 248
9.4 Logistic 平滑過渡自回歸模型 / 254
9.5 可加 AR 模型 / 257
9.6 模型的比較 / 257
9.7 門檻協整 / 258
第 10 章 深度學習方法在時間序列中的應用 / 264
10.1 神經網路概述 / 264
10.2 BP 神經網路 / 266
10.3 卷積神經網路 / 276
10.4 循環神經網路和長短期記憶模型 / 286
10.5 Transformer / 298
第 11 章 譜分析簡介 / 313
11.1 週期性時間序列 / 313
11.2 譜密度 / 317
11.3 譜分佈函數 / 320
11.4 自相關母函數和譜密度 / 320
11.5 時不變線性濾波器 / 323
11.6 譜估計 / 327
附錄 A 使用 R 軟體練習 / 334
附錄 B 使用 Python 軟體練習 / 345
