《基於Python的時間序列分析》是2023年清華大學出版社出版的圖書，作者是白曉東。
基本介紹
- 書名：基於Python的時間序列分析
- 作者：白曉東
- 出版社：清華大學出版社
- 出版時間：2023年4月1日
- 定價：58 元
- ISBN：9787302626848
內容簡介,圖書目錄,
內容簡介
本書在借鑑國內外相關教材優點的基礎上, 總結作者多年講授時間序列分析課程的教學經驗和體會, 本著“教師好用、學生好讀”的指導思想, 系統地介紹了一元時間序列分析的基本思想、基本原理和基本方法, 內容包括時間序列的基本概念、時間序列數據的預處理方式、分解和平滑、趨勢的消除、單位根檢驗和協整、平穩時間序列模型、非平穩時間序列模型、殘差自回歸模型、季節模型、異方差時間序列模型、譜分析、基於深度學習的時間序列預測以及上述模型的性質、建模、預測, 此外還包含了大量的實例. 本書全程使用 Python語言分析了來自不同學科的真實數據.
圖書目錄
第 1 章 引言及基礎知識 1
1.1 引言 1
1.1.1 時間序列的定義 1
1.1.2 時間序列的分類 6
1.1.3 時間序列分析的方法回顧 6
1.2 基本概念 8
1.2.1 時間序列與隨機過程 8
1.2.2 機率分布族及其特徵 8
1.2.3 平穩時間序列的定義 10
1.2.4 平穩時間序列的一些性質 11
1.2.5 平穩性假設的意義 12
1.3 時間序列建模的基本步驟 14
1.3.1 模型識別 14
1.3.2 模型估計 15
1.3.3 模型檢驗 15
1.3.4 模型套用 16
1.4 數據預處理 16
1.4.1 時序圖與自相關圖的繪製 16
1.4.2 數據平穩性的圖檢驗 21
1.4.3 數據的純隨機性檢驗 24
習題 1 28
第 2 章 平穩時間序列模型及其性質 31
2.1 差分方程和滯後運算元 31
2.1.1 差分運算與滯後運算元 31
2.1.2 線性差分方程 32
2.2 自回歸模型的概念和性質 34
2.2.1 自回歸模型的定義 34
2.2.2 穩定性與平穩性 38
2.2.3 平穩自回歸模型的統計性質 41
2.3 移動平均模型的概念和性質 50
2.3.1 移動平均模型的定義 50
2.3.2 移動平均模型的統計性質 50
2.4 自回歸移動平均模型的概念和性質 55
2.4.1 自回歸移動平均模型的定義 55
2.4.2 平穩性與可逆性 56
2.4.3 Green 函式與逆函式 56
2.4.4 ARMA(p, q) 模型的統計性質 57
習題 2 59
第 3 章 平穩時間序列的建模和預測 61
3.1 自回歸移動平均模型的識別 61
3.1.1 自相關函式和偏自相關函式的估計 61
3.1.2 模型識別的方法 62
3.2 參數估計 68
3.2.1 矩估計法 68
3.2.2 最小二乘估計 72
3.2.3 極大似然估計 74
3.2.4 套用舉例 75
3.3 模型的檢驗與最佳化 77
3.3.1 殘差的檢驗 78
3.3.2 過度擬合檢驗 79
3.3.3 模型最佳化 80
3.4 序列的預測 84
3.4.1 預測準則 84
3.4.2 自回歸移動平均模型的預測 87
習題 3 92
第 4 章 數據的分解和平滑 95
4.1 序列分解原理 95
4.1.1 平穩序列的 Wold 分解 95
4.1.2 一般序列的 Cramer 分解 96
4.1.3 數據分解的形式 97
4.2 趨勢擬合法 99
4.2.1 線性擬合 99
4.2.2 由線擬合 101
4.3 移動平均法 103
4.3.1 中心化移動平均法 103
4.3.2 簡單移動平均法 104
4.3.3 二次移動平均法 106
4.4 指數平滑方法 108
4.4.1 簡單指數平滑方法 108
4.4.2 Holt 線性指數平滑方法 110
4.4.3 Holt-Winters 指數平滑方法 112
4.5 季節效應分析 115
習題 4 117
第 5 章 非平穩時間序列模型 119
5.1 非平穩序列的概念 119
5.1.1 非平穩序列的定義 119
5.1.2 確定性趨勢 120
5.1.3 隨機性趨勢 120
5.2 趨勢的消除 121
5.2.1 差分運算的本質 121
5.2.2 趨勢信息的提取 122
5.2.3 過差分現象 125
5.3 求和自回歸移動平均模型 127
5.3.1 求和自回歸移動平均模型的定義 127
5.3.2 求和自回歸移動平均模型的性質 128
5.3.3 求和自回歸移動平均模型建模 129
5.3.4 求和自回歸移動平均模型的預測理論 135
5.4 殘差自回歸模型 137
5.4.1 殘差自回歸模型的概念 137
5.4.2 殘差的自相關檢驗 138
5.4.3 殘差自回歸模型建模 140
習題 5 144
第 6 章 季節模型 146
6.1 簡單季節自回歸移動平均模型 146
6.1.1 季節移動平均模型 146
6.1.2 季節自回歸模型 147
6.2 乘積季節自回歸移動平均模型 148
6.3 季節求和自回歸移動平均模型 149
6.3.1 乘積季節求和自回歸移動平均模型 149
6.3.2 乘積季節求和自回歸移動平均模型的建模 150
6.4 季節求和自回歸移動平均模型的預測 155
習題 6 158
第 7 章 單位根檢驗和協整 160
7.1 偽回歸 160
7.1.1 “偽回歸” 現象 160
7.1.2 非平穩對回歸的影響 161
7.2 單位根檢驗 162
7.2.1 理論基礎 162
7.2.2 DF 檢驗 164
7.2.3 ADF 檢驗 165
7.2.4 KPSS 單位根檢驗 168
7.3 協整 171
7.3.1 協整的概念 171
7.3.2 協整檢驗 173
7.4 誤差修正模型 176
習題 7 177
第 8 章 異方差時間序列模型 180
8.1 簡單異方差模型 180
8.1.1 異方差的現象 180
8.1.2 方差齊性變換 182
8.2 自回歸條件異方差模型 185
8.2.1 自回歸條件異方差模型的概念 185
8.2.2 自回歸條件異方差模型的估計 186
8.2.3 自回歸條件異方差模型的檢驗 187
8.3 廣義自回歸條件異方差模型 191
習題 8 197
第 9 章 普分析 200
9.1 譜分析大意 200
9.2 譜密度 203
9.2.1 譜表示 204
9.2.2 譜密度 204
9.3 譜密度估計 210
9.3.1 譜密度的周期圖估計 210
9.3.2 譜密度的非參數估計 212
9.3.3 譜密度的參數估計 220
9.4 案例分析 221
習題 9 224
第 10 章 基於深度學習的時間序列預測 226
10.1 基於多層感l機的時間序列預測 226
10.1.1 多層感l機概述 226
10.1.2 多層感l機的訓練 227
10.1.3 案例分析 230
10.2 基於循環神經網路的時間序列預測 239
10.2.1 循環神經網路的概念 239
10.2.2 循環神經網路的訓練 241
10.2.3 長期相依問題 242
10.2.4 案例分析 245
10.3 基於卷積神經網路的時間序列預測 248
10.3.1 二維卷積與一維卷積 248
10.3.2 案例分析 252
習題 10 253
附錄 Python 入門 255
1 Python 簡介 255
2 Anaconda 環境搭建及界面介紹 255
2.1 Anaconda 的安裝 255
2.2 環境管理 257
2.3 Jupyter Notebook 界面與使用簡介 259
3 Python 基礎 261
3.1 數據的讀寫 261
3.2 編程基礎 263
4 幾個模組入門 269
4.1 Numpy 269
4.2 Pandas 273
4.3 Matplotlib 275
參考文獻 278
