時間序列預測以R語言為工具，主要介紹時間序列的分解、處理及統計建模視覺化。全書共分為9章，首先介紹了R軟體中處理時間序列資料的方法以及如何進行時間序列資料的視覺化，然後介紹了ARIMA模型及其相關擴展形式的原理、建模方法和應用，以及GARCH模型、VAR模型、VARX模型等，最後介紹了基於機器學習的時間序列預測方法、混沌時間序列的概念與特性，並提供了2個綜合案例分析。
本書可作為統計學、應用統計學、經濟統計學、數學與應用數學、資訊與計算科學、金融學、金融工程、數位經濟等專業本科教材或統計學、應用統計、數學、電子資訊等專業研究生教材，也可作為資料分析相關專業人士參考資料。
| FindBook |
|
有 1 項符合
蘇理雲的圖書 |
 |
$ 219 | 時間序列預測R語言實戰
作者：蘇理雲 出版社：江西教育出版社 出版日期：2025-01-01 語言：簡體中文 規格：平裝 / 196頁 / 19 x 26 x 1 cm / 普通級/ 1-1  博客來 - 其他
- 來源網頁  看圖書介紹
|
|
|
圖書介紹 - 資料來源：博客來 評分：
圖書名稱：時間序列預測R語言實戰
內容簡介
目錄
第1章 基本介紹
1.1 時間序列資料
1.2 資料的基本處理
1.3 平穩性檢驗及處理
第2章 時間序列的分解
2.1 X11分解法
2.2 X-13ARIMA-SEATS
2.3 STL分解法
第3章 時間序列視覺化
3.1 基本視覺化
3.2 季節性的視覺化
第4章 ARIMA模型
4.1 ARIMA模型介紹
4.2 疏係數模型
4.3 季節性SARIMA模型
4.4 ARIMAX模型
4.5 課後習題
第5章 GARCH模型
5.1 GARCH模型的定義及其性質
5.2 GARCH模型的估計方法
5.3 CARCH模型的檢驗
5.4 GARCH模型的應用
5.5 GARCH模型的缺點
5.6 GARCH模型的變種-EGARCH模型
5.7 課後習題
第6章 VAR模型
6.1 基本概念
6.2 不平穩資料及協整檢驗
6.3 模型應用
6.4 VARX模型
6.5 VAR（p）模型實例應用
6.6 課後習題
第7章 基於機器學習的時間序列預測方法
7.1 “預言家”（Prophet）模型
7.2 梯度提升樹（GBM）
7.3 隨機森林（Random Forest）
7.4 BP神經網路（BPNN）
7.5 LSTM（長短時記憶網路）
7.6 RNN（遞迴神經網路）
7.7 練習題
第8章 混沌時間序列預測
8.1 計算混沌特徵的參數
8.2 混沌時間序列預測
第9章 綜合案例分析
9.1 知識總結
9.2 綜合案例分析
9.3 課後習題
參考文獻
1.1 時間序列資料
1.2 資料的基本處理
1.3 平穩性檢驗及處理
第2章 時間序列的分解
2.1 X11分解法
2.2 X-13ARIMA-SEATS
2.3 STL分解法
第3章 時間序列視覺化
3.1 基本視覺化
3.2 季節性的視覺化
第4章 ARIMA模型
4.1 ARIMA模型介紹
4.2 疏係數模型
4.3 季節性SARIMA模型
4.4 ARIMAX模型
4.5 課後習題
第5章 GARCH模型
5.1 GARCH模型的定義及其性質
5.2 GARCH模型的估計方法
5.3 CARCH模型的檢驗
5.4 GARCH模型的應用
5.5 GARCH模型的缺點
5.6 GARCH模型的變種-EGARCH模型
5.7 課後習題
第6章 VAR模型
6.1 基本概念
6.2 不平穩資料及協整檢驗
6.3 模型應用
6.4 VARX模型
6.5 VAR（p）模型實例應用
6.6 課後習題
第7章 基於機器學習的時間序列預測方法
7.1 “預言家”（Prophet）模型
7.2 梯度提升樹（GBM）
7.3 隨機森林（Random Forest）
7.4 BP神經網路（BPNN）
7.5 LSTM（長短時記憶網路）
7.6 RNN（遞迴神經網路）
7.7 練習題
第8章 混沌時間序列預測
8.1 計算混沌特徵的參數
8.2 混沌時間序列預測
第9章 綜合案例分析
9.1 知識總結
9.2 綜合案例分析
9.3 課後習題
參考文獻
|
