时序分析
开篇
时序分析介绍
A time series is a series of data points indexed (or listed or
graphed) in time order. - Wikipedia
时序分析是数据分析的一个非常重要的分支,在各个行业都有很广泛的引用,特别实在金融领域。金融数据的一个重要的形态就是时序数据,了解时序分析基本方法和技术已经称为量化投资、金融分析的一个必备的基础。另外,时序数据也经常出现在跟踪企业运行指标等相关应用中,对于监控企业运营状态有非常显著的作用。
时序分析可以分为单变量时序数据分析和多变量时序数据分析,主要围绕着数据的趋势、相关性、模式、波动性等主要特征属性,最终的需求是希望能够相对准确地预测数据。
本系列文章将会涉及统计检验,时序数据的趋势分析,周期性分析,异常检测和时序数据预测和模式识别等数据分析和机器学习技术。所使用的数据以金融时序数据为主,实现代码以Python为主。每一篇的内容会讲述理论并配合实践。
时序分析关注点
时序数据被定义为一系列以一定的时间间隔排序的串行观测值。广义上来说,时序分析就是来获知时序信号在过去发生了什么,或者推测未来将会发生什么。说白了,时序分析就是尝试理解过去并且预测未来。
时序数据可以被认为是离散随机过程 - DTSP (Discrete Time Stochastic Process)。
时序分析主要关注以下三点:
- 趋势
趋势是时序移动的一致性方向,可以是确定的,也可以是随机的。趋势性经常出现在金融时序数据中,特别是商品价格,很多CTA(Commodity Trading Advisor)基金会在其交易算法中使用非常复杂的趋势判断模型。 - 周期性波动
许多时序包含周期性波动,典型例子是商业销售数据和气候水平。在量化金融领域,我们经常在商品价格中看到周期性波动,特别是季节性或者气温相关的,例如天然气。 - 串行相关
金融时序数据的一个非常重要的特征就是串行相关性。比较接近的时序数据的趋势是相关的。量化交易中波动性聚簇(Volatility Clustering)是串行相关的一个非常重要的表现。
金融时序
金融时序数据分析中,我们主要有三个目标:
- 预测未来的观测值。
- 序列模拟
- 关系推理
主要内容
- 金融时序数据分布特性
- 金融时序数据平稳性分析
- 金融时序数据AR
- 金融时序数据MA
- 金融时序数据ARMA
- 金融时序数据ARIMA
- 金融时序数据GARCH
- 金融时序数据GARCH Variations.
- 金融时序数据EWMA
- 金融时序数据ANOVA
- 金融时序数据Covariance
- 金融时序数据LSTM
- 金融时序数据VAR
- 金融时序数据Clustering
- 金融时序数据STL
- 金融时序数据Modeling
- 金融时序数据Anomaly Detection
- 金融时序数据HMM