时间序列干货大全

最新推荐文章于 2025-03-16 19:23:13 发布
最新推荐文章于 2025-03-16 19:23:13 发布
阅读量1.5k 收藏 8
点赞数 2
文章标签： 时间序列 人工智能 量化 量化投资
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/bigquant/article/details/85840603
版权
这篇博客汇总了16份关于时间序列分析的PDF资料，覆盖了从基础理论到高级模型，包括Stata、R、ARMA、神经网络等方法。作者提供了详细的总结和评价，特别推荐《TimeSeries analysis and its applicaion with R》和《Analysis of financial time series Tsay》。此外，还分享了一份永久有效的百度网盘链接，方便读者下载学习。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

最近花时间整理了一下有关时间序列模型的英文资料，共整理出16个PDF文档，包含了几乎所有的时间序列模型和软件的实践方法，再这里共享给大家： 通过文末的连接可以直接下载

以下是在阅读对比了这些资料后给出的总结和评价，大家可以有选择的阅读所需的内容

  1. Processing Timeseries with Stata Princeton，对用Stata做一个简单的时间序列处理和检验和做了介绍。

  2. Simple timeseries analysis, 简单的时间序列建模方法，包括用已知函数拟合，指数平滑等等；

  3. TimeSeries analysis and its applicaion with R, Roberrt H. Shumway/ David S. Stoffer，这本书是完美的结合了R语言的例子和理论的一本书，其核心要领就是既能用做课堂讲义也能用做业界人士的参考，有大量实际的例子；内容很完善，不仅仅包含了时域分析部分，频域分析和状态空间也包括了，该有的定义都有。

  4. Analysis of financial time series Tsay, 这就是题主苦大仇深的RUEY S.Tsay的金融时间序列分析，它和上一本书的区别主要集中在两个地方，一个是他既没有实用的例子和详实的定义帮人们理解，但他大量的介绍各种模型的变种，更偏向文献综述，另一点是他的5，6章将时间序列模型和期权定阶进行了有机结合，不愧是是芝加哥大学教材。

  5. Introduction to R for timeseries analysis，一个十页纸用R做ARMA模型的小册子。

  6. Multivariate timeseri

最低0.47元/天 解锁文章
BigQuant
关注
具有循环条件gan的实值(医疗)时间序列生成-2017
Crystalxxtt的博客
12-27 2742
生成对抗网络(GANs)作为一种训练模型以产生逼真数据的框架已经取得了显著的成功。在这项工作中，我们提出了循环GAN (RGAN)和循环条件GAN (RCGAN)来生成真实的实值多维时间序列，重点研究了它们在医疗数据中的应用。rgan在生成器和鉴别器中使用循环神经网络(RNNs)。在rcgan的情况下，这两个rnn都以辅助信息为条件。我们在一组玩具数据集中演示了我们的模型，在其中我们从视觉上和定量上(使用样本似然和最大平均差异)表明它们可以成功地生成现实的时间序列。我们还描述了针对GANs的新颖评估方法。
python 时间序列异常值_干货 ：时间序列异常检测
weixin_42519253的博客
02-03 4690
原标题：干货 ：时间序列异常检测异常检测(Anomaly detection)是目前时序数据分析最成熟的应用之一，定义是从正常的时间序列中识别不正常的事件或行为的过程。有效的异常检测被广泛用于现实世界的很多领域，例如量化交易，网络安全检测、自动驾驶汽车和大型工业设备的日常维护。以在轨航天器为例，由于航天器昂贵且系统复杂，未能检测到危险可能会导致严重甚至无法弥补的损害。异常随时可能发展为严重故障，因...
R函数-时间序列ETS参数说明
weixin_34375251的博客
07-22 1813
alpha\beta\gamma分别代表水平、趋势、季节分量的平滑参数α、β、γ。这三个参数我们希望接近于0，以便于更平滑，即越小越平滑。在乘法模型的情况下，参数需要非常低，否则模型会对噪声太敏感。 "sigma" :Standard deviation of residuals，残差标准误差。 Initial states： l即level（水平），b即trend（趋势），s即season...
TimeGAN：开启时间序列生成新纪元，结合GAN与自回归模型的优势
最新发布
机器学习，深度学习
03-16 529
为此，本文提出了一种新的框架来生成真实的时间序列数据，该框架结合了无监督方法的灵活性和监督训练提供的可控性。今天周末，给大家介绍一篇时序数据生成网络TimeGAN，一种用于时间序列生成的新框架，它将无监督GAN方法的多功能性与有监督自回归模型对条件时间动态的控制相结合。接下来，我将深入对这篇论文展开全面解读。和以往一样，我会严格依照论文的结构框架，从研究背景、核心论点、实验设计到最终结论，逐一对文章的各个关键部分进行细致剖析 ，力求为大家呈现这篇时间序列预测论文的全貌，挖掘其中的研究价值与创新点。
【时序】时间序列领域的 GAN 模型综述论文笔记
热门推荐
全性保真，不以物累形。
04-13 1万+
论文年份：2021，论文被引：8（2022/04/13）
时间序列（Time-Series）ETSformer_EncDec.py代码解析
qq_33712422的博客
02-04 790
self._smoothing_weight = nn.Parameter(torch.randn(nhead, 1))#定义权重。self.v0 = nn.Parameter(torch.randn(1, 1, nhead, dim))#定义偏置。#结合水平（level）、增长（growth）和季节性（season）分量的模型层。#实现编码器层，结合了增长、季节性、水平分量以及一个前馈网络。#实现解码器层，其中阻尼增长和固定季节性分量用于长期预测。#实现一个增长层，用来模拟时间序列中的趋势部分。
2024年MATLAB-深度学习：使用LSTM进行时间序列预测（干货满满）
03-21
本文深入浅出地介绍了如何使用MATLAB结合LSTM（长短期记忆网络）进行时间序列预测。文章首先解释了深度学习和LSTM的基本概念，接着详细阐述了在MATLAB环境中建立、训练和测试LSTM模型的步骤。最后，文章探讨了如何...
干货！基于深度学习的向量嵌入技术在时间序列相似性查询中的应用
AITIME_HY的博客
12-18 1438
点击蓝字关注我们AI TIME欢迎每一位AI爱好者的加入！相似性搜索是时间序列分析的一个基本操作。根据最近的研究，基于iSAX的索引在相似性搜索中达到了目前的最优水平。然而，它们的性能在高...
如何搭建适合时间序列预测的Transformer模型？
fareise的博客
05-21 1555
如何搭建适合时间序列预测的Transformr模型
时间序列的数据有哪几种？
mariodf的博客
11-14 2469
时间戳（Timestamp），表示特定的时刻； 时期（Period），如2025年10月； 时间间隔（Interval），由起始时间戳和结束时间戳表示。
TimeGAN:时间序列生成对抗网络（TimeGAN）的代码库-NeurIPS 2019
04-29
“时间序列生成对抗网络（TimeGAN）”的代码库 作者：尹成ung，丹尼尔·贾瑞特，米哈埃拉·范德沙尔 参考：Jinsung Yoon，Daniel Jarrett，Mihaela van der Schaar，“时间序列生成对抗网络”，神经信息处理系统（NeurIPS），2019年。 论文链接： : 联络人： 该目录包含使用一个合成数据集和两个真实数据集生成合成时间序列数据的TimeGAN框架的实现。 正弦数据：合成 股票数据： : 能源数据： ： 要运行有关TimeGAN框架的培训和评估的管道，只需运行python3 -m main_timegan.py或在tutorial_timegan.ipynb中查看TimeGAN的jupyter-notebook教程。 注意，任何模型体系结构都可以用作生成器和鉴别器模型，例如RNN或Transformers。 代码说
基于GAN的时间序列异常检测1
08-08
摘要：AbstractTimeseriesanomaliescanofferinformationrel-evanttocriticalsituationsfa
机器学习实战项目教你股价预测
03-21
机器学习实战项目教你股价预测，实战项目，机器学习实战项目教你股价预测
基于keras的深度学习名词解释
Only_first1的博客
09-20 1309
keras深度学习笔记（一）神经网路的结构数据处理层的选择损失函数优化器隐含层的激活函数精度 metrics本文章会后续更新，如有问题还请纳涵并指出和改正。 神经网路的结构 层：多个曾组合成网络（或模型） 输入数据和相应的目标。 损失函数：即用于学习的反馈信号。 优化器：决定学习过程如何进行。 此图可表示展示出网络，层，损失函数和优化器之间的关系。 数据处理 标准化：不同维度的数据统一到同一维度的数据。 one-hot编码：将其转换为0，1值。 层的选择 不同的张量格式与不同的数据处理类型需要用到不同
R语言：商业数据分析实例（3）【ets指数平滑法，时间序列】
lzc1009840152的博客
03-31 5963
ets指数平滑法，时间序列分析
关于GAN在时间序列问题中的想法
qq_43820692的博客
07-14 643
首先本文的主旨思路是根据GENERATIVEADVERSARIALNETWORKSINTIMESERIESASURVEYANDTAXONOMY一文来的。论文链接https//arxiv.org/pdf/2107.11098.pdf。
生成时间序列
weixin_34126557的博客
11-07 652
2019独角兽企业重金招聘Python工程师标准>>> ...
GAN（生成对抗网络）在合成时间序列数据中的应用（第一部分——利用GAN生成合成(synthetic)数据）
White__River的博客
07-06 6528
GAN（生成对抗网络）在合成时间序列数据中的应用（第一部分——利用GAN生成合成数据） （本文基本是对Jasen 的《Machine Learning for Algorithmic Trading》第二版的第21章进行翻译、改写和复现，并用于我们的实际情况） 1. 准备阶段 配置介绍 在Anaconda下安装TensorFlow以及在Jupyter Notebook中引用的准备，可以参考以下文档 https://www.tensorflow.org/tutorials/quickstart/beginne
时间序列分解python
08-28
时间序列分解是一种将时间序列拆分为潜在模式、趋势、季节性和噪声的技术。在Python中，有几种方法可以进行时间序列分解。一种常用的方法是使用statsmodels库中的seasonal_decompose函数。该函数可以自动进行时间序列的分解，并提供趋势、季节性和残差等组成部分的可视化。＊＊＊测。使用Prophet库，您可以通过简单的代码实现时间序列分解和预测，并进行可视化展示。您可以参考引用和中提到的教程和示例来了解更多关于在Python中进行时间序列分解的方法和技巧。如果您需要更详细的信息，您可以访问引用中提供的链接，该链接提供了一个关于时间序列预测和分解的详细指南和示例。<span class="em">1</span><span class="em">2</span><span class="em">3</span> #### 引用[.reference_title] - *1* *3* [干货 ：手把手教你用Python进行时间序列分解和预测](https://blog.csdn.net/Tw6cy6uKyDea86Z/article/details/111350647)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 50%"] - *2* [Python中的时间序列分解](https://blog.csdn.net/m0_46510245/article/details/115997686)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 50%"] [ .reference_list ]
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值