博客來
本書在借鑒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。本書通俗易懂，理論與應用並重，可作為高等院校統計、經濟、商科、工程以及定量社會科學等相關專業的高年級本科生學習時間序列分析的教材或教學參考書，也可作為碩士研究生使用Python語言學習時間序列分析的入門書，還可供相關技術人員進行時間序列數據處理時參考書。
| FindBook |
有 1 項符合
基於Python的時間序列分析的圖書 |
 |
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 出版日期：2023-04-01 語言：簡體中文 規格：平裝 / 280頁 / 19 x 26 x 1.4 cm / 普通級/ 1-1 |
| 圖書館借閱 |
| 國家圖書館 | 全國圖書書目資訊網 | 國立公共資訊圖書館 | 電子書服務平台 | MetaCat 跨館整合查詢 |
| 臺北市立圖書館 | 新北市立圖書館 | 基隆市公共圖書館 | 桃園市立圖書館 | 新竹縣公共圖書館 |
| 苗栗縣立圖書館 | 臺中市立圖書館 | 彰化縣公共圖書館 | 南投縣文化局 | 雲林縣公共圖書館 |
| 嘉義縣圖書館 | 臺南市立圖書館 | 高雄市立圖書館 | 屏東縣公共圖書館 | 宜蘭縣公共圖書館 |
| 花蓮縣文化局 | 臺東縣文化處 |
|
|
圖書介紹 - 資料來源：博客來 評分：
圖書名稱：基於Python的時間序列分析
內容簡介
作者介紹
白曉東，博士學位，教授。大連民族大學理學院。從事教學工作20幾年，本科是基礎數學專業、碩士是概率論與數理統計專業，博士是金融數學與保險精算專業，主持或參加過多項省部級以上科研項目和教改項目，發表過近20篇學術論文，5521人才工程第二層次。
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概率分佈族及其特徵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模型應用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128
第2章平穩時間序列模型及其性質31
2.1差分方程和滯後算子31
2.1.1差分運算與滯後算子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
2.4.3Green函數與逆函數56
2.4.4ARMA(p，q)模型的統計性質57
習題259
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自相關函數和偏自相關函數的估計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應用舉例75
3.3模型的檢驗與優化77
3.3.1殘差的檢驗78
3.3.2過度擬合檢驗79
3.3.3模型優化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392
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
4.4.2Holt線性指數平滑方法110
4.4.3Holt-Winters指數平滑方法112
4.5季節效應分析115
習題4117
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5144
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6158
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
7.2.2DF檢驗164
7.2.3ADF檢驗165
7.2.4KPSS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7177
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8197
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譜密度的週期圖估計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9224
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基於循環神經網絡的時間序列預測239
10.2.1循環神經網絡的概念239
10.2.2循環神經網絡的訓練241
10.2.3長期相依問題242
10.2.4案例分析245
10.3基於卷積神經網絡的時間序列預測248
10.3.1二維卷積與一維卷積248
10.3.2案例分析252
習題10253
附錄Python入門255
1Python簡介255
2Anaconda環境搭建及界面介紹255
2.1Anaconda的安裝255
2.2環境管理257
2.3JupyterNotebook界面與使用簡介259
3Python基礎261
3.1數據的讀寫261
3.2編程基礎263
4幾個模塊入門269
4.1Numpy269
4.2Pandas273
4.3Matplotlib275
參考文獻278
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概率分佈族及其特徵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模型應用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128
第2章平穩時間序列模型及其性質31
2.1差分方程和滯後算子31
2.1.1差分運算與滯後算子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
2.4.3Green函數與逆函數56
2.4.4ARMA(p，q)模型的統計性質57
習題259
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自相關函數和偏自相關函數的估計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應用舉例75
3.3模型的檢驗與優化77
3.3.1殘差的檢驗78
3.3.2過度擬合檢驗79
3.3.3模型優化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392
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
4.4.2Holt線性指數平滑方法110
4.4.3Holt-Winters指數平滑方法112
4.5季節效應分析115
習題4117
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5144
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6158
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
7.2.2DF檢驗164
7.2.3ADF檢驗165
7.2.4KPSS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7177
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8197
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譜密度的週期圖估計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9224
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基於循環神經網絡的時間序列預測239
10.2.1循環神經網絡的概念239
10.2.2循環神經網絡的訓練241
10.2.3長期相依問題242
10.2.4案例分析245
10.3基於卷積神經網絡的時間序列預測248
10.3.1二維卷積與一維卷積248
10.3.2案例分析252
習題10253
附錄Python入門255
1Python簡介255
2Anaconda環境搭建及界面介紹255
2.1Anaconda的安裝255
2.2環境管理257
2.3JupyterNotebook界面與使用簡介259
3Python基礎261
3.1數據的讀寫261
3.2編程基礎263
4幾個模塊入門269
4.1Numpy269
4.2Pandas273
4.3Matplotlib275
參考文獻278
|
