財經時間序列預測：使用R的計量與機器學習方法-FindBook 找書網 ISBN:9786263431492

內容簡介

　　本書為進階的教材，需要經濟計量方法和矩陣代數的基礎。時間序列預測是統計學裡非常實用的工具，不論是分析投資組合的數據、全球總經和金融市場，以及預測景氣循環變動等等，可以用過去的數據資料，預測未來趨勢，是可以符合實際決策需要的實用能力。

　　書中並介紹機器學習方法，機器學習不是指特定估計方法，學習指的是如何在資料結構中運算，以追蹤最小預測誤差的方法獲得最佳預測(tuning)。我們應用機器學習演算法訓練歷史資料，執行特徵萃取(features extraction)，再測試預測表現。依此建立一個可預測未來的模型，作為決策之用。

　　使用R語言進行時間序列預測是本書的一大特點，R語言是統計學中普及且容易上手的分析工具，書中針對一個個資料分析步驟進行深度解說，教給讀者進行預測與評估的最實用方法。

作者介紹

作者簡介

何宗武

　　現任

　　臺灣師範大學全球經營與策略研究所教授

　　經歷

　　世新大學特聘教授

　　專長為財務經濟學、金融大數據、計量經濟資料科學及程式語言等。著作多本相關書籍，如：《數位創新：商業模式經濟學》、《大數據決策分析盲點大突破10講：我分類故我在》、《管理數學、Python與R：邊玩程式邊學數學，不小心變成數據分析高手》、《R語言：深入淺出財經計量》、《R資料採礦與數據分析：以GUI套件Rattle結合程式語言實作》、《資料分析輕鬆學：R Commander高手捷徑》、《Eviews高手：財經計量應用手冊》。

自序

Part I
時間序列預測基礎
1 統計與時間序列基礎
第1 節隨機變數和預測
第2 節樣本和母體
第3 節兩組中央趨勢
第4 節時間序列特徵
第5 節時間序列預測的不同之處

2 財經時間序列開放資料之取得
第1 節 Fed 美國聯準會
第2 節證交所5 秒鐘的高頻資料
第3 節國際清算銀行的有效匯率指數BIS
第4 節 R 內建套件quantmod 國際股市資料
第5 節 Fama-French Factor Data
第6 節套件JFE 內建函數

3 時間序列的訓練架構—Recursive Validation
第1 節 K- 段交叉驗證方法(K-fold CV)
第2 節 N 步遞回驗證(N-step Recursive Validation)
第3 節 K-fold 的關聯問題和Rabinowicz-Rosset 修正CV

4 關於時間序列預測值的計算
第1 節資料配適的統計預測
第2 節預測未來之一：單步預測
第3 節預測未來之二：多步預測
第4 節評估模型的預測績效

Part II
經濟計量方法Econometric Methods
5 計量時間序列方法
第1 節 ARIMA
第2 節非線性移轉模型：SETAR 和LSTAR
第3 節 BATS (Box-Cox transform, ARMA, Trend & Seasonality)
第4 節 BAGGED (Bootstrap AGGregation)
第5 節 GAMs
第6 節時間序列的組合預測簡介：AveW and Model Average

6 經濟計量預測實做—臺灣工業生產指數成長率預測
第1 節資料與訓練架構
第2 節 R 程式的單步靜態預測
第3 節 R 程式的動態預測的訓練

Part III
機器學習 Machine Learning
7 機器學習的演算法
第1 節迴歸樹、隨機森林和KNN
第2 節簡易人工神經網路(Simple Artificial Neural Network)
第3 節 Support Vector Machine
第4 節 Gradien Boosting Machine
第5 節正則方法：LASSO, Ridge and Elastic Net
第6 節自動化機器學習模式：autoML 委員會
第7 節機器學習的動態預測—R 套件iForecast 說明
附錄

8 機器學習預測實做—指數報酬率預測(Index Returns Forecasting)
第1 節資料與模型
第2 節 R 程式說明與結果呈現

Part IV
深度學習方法
9 深度學習方法的訓練與學習RNN-LSTM
第1 節原理簡說
第2 節軟體環境設置

10 LSTM 預測實做—美國失業率和通貨膨脹
第1 節 LSTM 程式說明
第2 節 iForecast 內的ttsLSTM()

Part V
類別資料
11 分類模式
第1 節二元廣義線性模式
第2 節 GLM 的R 程式
第3 節混淆矩陣
第4 節決策樹分類案例研究

12 類別時間序列資料的預測—景氣循環
第1 節資料與問題說明
第2 節機器學習R 程式

附錄1 R 套件iForecast 介紹
附錄2 矩陣進一步性質與應用
第1 節方陣的特殊性質
第2 節應用
參考文獻

看更多

序

　　這幾年的數位革命風潮，造成機器／深度學習的資料演算法普及，也對既有的統計預測有了相當的影響，因應這個趨勢，中研院蔡瑞胸院士2021年也出版了一本書(Pena and Tsay, 2021, Statistical Learning for Big Dependent Data)，蔡士的重點就在於時間序列預測在機器學習的資料驅動架構下，可以如何使用以及預測表現如何。這幾年，我也接了兩個政府機構的機器學習委託案，分別處理經濟成長和景氣循環的預測。趁著執行委託案的機會，我也將應用機器學習於時間序列預測的相關技術問題，做了整理與克服，例如：多步（動態）預測的產生在一般程式中沒有，既定程式(Python or R) 多是橫斷面資料預測的延伸使用，所以，到了時間序列，就只是單步（靜態）預測。因應這些問題，結案後，就順勢產生了R 套件iForecast，迄今已經多次改版。除了可以學習程式細節，同時也可以簡單透過套件使用這些方法。套件會與時俱進，因此，讀者追蹤iForecast 套件，或許是最好的方法。

　　面對機器學習，統計顯得更重要；面對財經時間序列，計量經濟學也更重要。因此，將整體學習所需要的一些內容做了整理與觀念釐清後，就出版了這本書。這本書有些主題會比較進階，例如：第3 章第3 節討論到Rabinowicz and Rosset (2022) 刊登在JASA 的論文，也用模擬說明了這篇研究對時間序列的意義；在深度學習很紅的循環神經網路(RNN, Recurrent Neural Network) 之LSTM 方法，是屬於比較典型的資訊演算，我們也納入介紹。因此，內容若干主題，可依照背景自行斟酌學習。

　　時間序列預測對產業有很多意義，例如：股市波動、失業與通膨等等，時間序列不似橫斷面資料，所需預測的未來往往不長，但是動態的挑戰相當嚴峻。基於模型選擇的困境，就務實的角度，將多個模型的預測加權平均組合起來，如Models Average 應該是最有效的，這也是本書建議預測實務時的作法。

　　最後，這本書的出版，我還是不免於俗地要感謝臺師大良好的研究環境，讓我教學之餘，可以完成這本研究型的專題著作。

何宗武

國立臺灣師範大學管理學院

全球經營與策略研究所

2022/7/4

看更多