时间序列入门学习-01

若干年不写博客，笔者近日决心潜心研究时间序列。拟从现有资料的整合、时序数据规律、统计学模型、机器学习模型、深度学习模型、与铁路及其他业务结合的模型进行。

入门还是以金融数据为主，可能偏向分解和预测。

入门教程：工作台 - Heywhale.com

数据集参考：DJIA 30 Stock Time Series | Kaggle

入门教程-2：时间序列分析（1） 基本概念与实战 - 知乎

分析流程：将时序数据分解为趋势、季节变化、噪声，进行观察；采用ARIMA、ARMA进行预测

（1）分解：

函数可用：

import statsmodels.api as sm
decomposed_google_volume = sm.tsa.seasonal_decompose(google["High"],period=360)

 

时间序列分解的成功与否，取决于两个因素：一是数据序列本身是隐藏着规律的，不可预测的部分只是其中的一小部分；二是分解的方法要合适，尤其是周期的判断要准确。