Datawhale数学建模导论课程第八章学习心得(I)一时间序列与投资模型

学习链接：

Datawhale 数学建模教程Descriptionhttps://datawhalechina.github.io/intro-mathmodel/#/CH8/%E7%AC%AC8%E7%AB%A0-%E6%97%B6%E9%97%B4%E5%BA%8F%E5%88%97?id=_811-%e6%97%b6%e9%97%b4%e5%ba%8f%e5%88%97%e7%9a%84%e5%85%b8%e5%9e%8b%e5%ba%94%e7%94%a8-1根据学习内容，做了一份思维导图便于复习：

下面是对本次学习的知识归纳

 一、时间序列基本概念
时间序列是具有时间属性的序列数据，以时间作为索引，可以按日、小时、分钟或秒等不同时间单位记录数据。时间序列广泛应用于多个领域，如天气预报和股票市场等。

二、 时间序列的典型应用
天气预报：使用马尔可夫模型对每日天气进行建模，形成离散时间序列。
股票市场：股票的开盘价和收盘价随时间变化，形成时间序列。

 三、时间序列建模
参数学习：通过模型参数分析序列特征，挖掘有意义的信息。
预测：基于历史数据预测未来趋势，包括短期和长期预测，但长期预测精度通常较低。

四、时间序列的描述与分解
平稳时间序列：均值、方差和协方差不随时间变化。
时间序列组成：长期趋势、季节波动、循环波动和不规则波动。

五、ARIMA模型
ARIMA模型是处理时间序列的统计方法，适用于平稳时间序列。如果原始序列非平稳，可以通过差分转换为平稳序列后使用。

六、投资组合策略
组合投资：分散资产配置，降低风险。
股票序列预测：基于时间序列方法预测股票价格，指导投资决策。
马科维兹均值方差模型：通过分析资产的预期收益、方差和协方差来确定最优投资组合。
风险平价模型：为不同资产分配相等的风险权重，追求长期夏普比率最大化。

七、隐马尔可夫模型（HMM）
评估问题：使用前向算法计算给定观测序列在特定HMM参数下的概率。
解码问题：使用维特比算法找到最可能产生某一序列的隐含状态。
学习问题：使用鲍姆-韦尔奇算法确定模型参数，最大化观测序列的出现概率。

八、隐马尔可夫模型的实现
HMM广泛应用于语音识别、自然语言处理和生物信息学等领域，通过解决评估、解码和学习问题，模拟和预测复杂的时间序列数据。