![](https://img-blog.csdnimg.cn/20201014180756927.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
时序分析
文章平均质量分 88
Magic Ktwc37
自古人生最忌满,半贫半富半自安。
半命半天半机遇,半取半舍半行善;
半聋半哑半糊涂,半智半愚半圣贤;
半人半我半自在,半醉半醒半神仙;
半亲半爱半痛苦,半俗半禅半随缘;
人生一半在于我,另外一半听自然。
半生风雨半身寒,一杯浊酒敬流年,
回首过往半生路,红尘之中苦又甜。
展开
-
时序分析 29 - 时序预测 - 格兰杰因果关系(下) python实践2
时序分析 29 Granger-Cause 实践2金融时序数据分析 本文主要搭建经济模型,从而分析和预测金融时序数据,重点关注黄金和原油价格。这两种金融资产对全球经济影响较大,我们将使用格兰杰因果检验来测试多个变量之间的关系,然后会使用VAR(Vector Auto Regression)通过历史数据来尝试预测黄金和原油的未来价格。我们使用的数据包括黄金、白银、原油、股票指数、利率和美元。流程总结 下图大致概括了上一篇博文和本篇博文两次时间的基本流程。#mermaid-svg-kcHMWjZe原创 2022-04-09 14:01:49 · 7221 阅读 · 3 评论 -
时序分析28 - 时序预测 格兰杰因果关系(中) python实践1
时序分析28 - 时序预测 - 格兰杰因果关系(中)Python 实践 1上一篇文章我们介绍了格兰杰因果关系的基本概念、背景以及相关统计检验法。本篇文章我们使用Python编程实践一下。实践1:股票价格数据之间的格兰杰因果关系问题:苹果公司今天的股价是否可以用来预测明天的特斯拉的股价? 数据:来自雅虎财经import matplotlib.pyplot as pltimport seaborn as snsimport numpy as npimport pandas as pd读入数据原创 2022-04-09 13:45:55 · 7235 阅读 · 4 评论 -
时序分析 27 - 时序预测 格兰杰因果关系(上) 理论知识
时序分析 27 时序预测格兰杰因果关系(上) 理论知识本文主要阐述Granger Causality,即格兰杰因果关系在时间序列预测中的应用。背景与回顾本系列前面的文章中,我们讨论过了时序分析预测的多种方法,包括单变量时序问题和多变量时序问题。我们也讨论过了时序的分解:趋势、周期和随机噪声。预测时序在未来某个时间点的值是时序预测问题的常见问题,时序预测问题经常会使用机器学习方法,在金融、天气预报、医疗、商务和零售等领域都有很多应用。在实际问题中,时序预测问题通常涉及多个变量,而各个变量之间经常存原创 2022-04-07 20:01:57 · 6462 阅读 · 0 评论 -
时序分析 26 - 时序预测 Prophet包初探
时序分析 26时序预测 - Prophet包初探前言 在本系列前面的文章中,我们介绍了多种时序预测技术和模型。我们可以看出时序预测技术还是非常复杂的,步骤也比较繁琐。读者可能还记得VAR模型的步骤繁多,牵涉到的知识点和概念也非常多。本篇文章将要介绍Facebook开源的时序预测包Prophet. Prophet的设计者认为时序预测对于分析和使用该技术的人员来说,应该是简单的、易于使用的,而不需要把流行的标准方法全都走一遍。Prophet就是在这个设计初衷原创 2022-03-06 22:08:05 · 2310 阅读 · 1 评论 -
时序分析 49 -- 贝叶斯时序预测(一)
贝叶斯时序分析简单介绍和Python示例原创 2023-04-08 15:34:58 · 3969 阅读 · 1 评论 -
时序分析 48 -- 时序数据转为空间数据 (七) 马尔可夫转换场 python 实践(下)
以图模型来分析马尔可夫转换场原创 2022-11-15 22:46:54 · 2381 阅读 · 1 评论 -
时序分析 47 -- 时序数据转为空间数据 (六) 马尔可夫转换场 python 实践(中)
马尔可夫转换场代码实践和剖析。原创 2022-11-14 21:24:13 · 2951 阅读 · 1 评论 -
时序分析 46 -- 时序数据转为空间数据 (五) 马尔可夫转换场 python 实践(上)
马尔可夫转换场代码原创 2022-11-13 16:38:44 · 4162 阅读 · 5 评论 -
时序分析 45 -- 时序数据转为空间数据 (四) 格拉姆角场 python 实践 (下)
时序转化为图像数据后,采用卷积神经网络进行训练并验证预测结果。原创 2022-09-24 18:50:54 · 2504 阅读 · 0 评论 -
时序分析 44 -- 时序数据转为空间数据 (三) 格拉姆角场 python 实践 (上)
python实践金融时序预测原创 2022-09-24 13:23:58 · 4439 阅读 · 1 评论 -
时序分析 43 -- 时序数据转为空间数据 (二) 马尔可夫转换场
马尔可夫转化场基本原理介绍原创 2022-09-11 12:24:18 · 9690 阅读 · 2 评论 -
时序分析 42 -- 时序数据转为空间数据 (一) 格拉姆角场
格拉姆角场基本原理,将时序数据转换为空间数据原创 2022-09-10 22:34:41 · 16173 阅读 · 13 评论 -
时序分析41 - 时序预测 TBATS模型
python实践TBATS时序预测模型原创 2022-07-23 10:28:14 · 2161 阅读 · 1 评论 -
时序分析 40 - 时序预测 从ARIMA到SARIMAX(九)超参调优与最佳模型
模型比较得到最佳模型。原创 2022-06-04 20:01:07 · 1558 阅读 · 2 评论 -
时序分析 39 - 时序预测 从ARIMA到SARIMAX(八)Prophet 模型诊断
Prophet模型诊断原创 2022-06-01 20:50:12 · 525 阅读 · 0 评论 -
时序分析 38 - 时序预测 从ARIMA到SARIMAX(七)Facebook Prophet模型
Facebook Prophet模型构建,python实践原创 2022-06-01 20:37:37 · 818 阅读 · 0 评论 -
时序分析 37 - 时序预测 从ARIMA到SARIMAX(六) SARIMAX
SARIMAX:SARIMA结合外部变量原创 2022-05-31 22:27:19 · 1692 阅读 · 1 评论 -
时序分析 36 - 时序预测 从ARIMA到SARIMAX(五)模型预测
模型预测原创 2022-05-31 22:20:07 · 2282 阅读 · 0 评论 -
时序分析 35 - 时序预测 从ARIMA到SARIMAX(四) SARIMA
时序分析 34时序预测 从ARIMA到SARIMAX(四) SARIMA接上Step 5. SARIMA 现在我们来增加季节性因素。我们需要确定季节性因素的参数 P,Q,D.S。从前面的ACF图中我们得到了提示,季节周期为7,也就是 S=7。季节差分 我们已经知道为了使时序数据平稳,可以使用差分。对于ARIMA模型而言就是确定阶数 𝑑 。对于季节性时序数据,我们很可能需要应用季节性差分。但是,在季节原创 2022-05-28 10:52:23 · 1599 阅读 · 0 评论 -
时序分析 34 - 时序预测 从ARIMA到SARIMAX(三) Box-Jenkins方法
时序分析 34时序预测 从ARIMA到SARIMAX(三) Box-Jenkins方法上一篇我们进行了数据探索,本篇我们将介绍Box-Jenkins时序预测方法论,并开始进行ARIMA建模。Step 3. Box-Jenkins Method 方法简介为了实践整个(S)ARIMA(X)模型构建过程,我们将参考Box-Jenkins Method。请参考下图,此数据集种有500个时序,我们只针对2号仓库的28号商品进行预测建模。我们将尝试回答如下问题:时序是否平稳如果时序不平稳,如何将其转原创 2022-05-27 15:44:33 · 1363 阅读 · 0 评论 -
时序分析 33 - 时序预测 从ARIMA到SARIMAX(二)数据探索
时序分析 33时序预测 从ARIMA到SARIMAX(二)数据探索上一篇我们简单回顾了ARIMA的理论部分。本篇我们开始实践部分。首先我们先进行数据探索。import pandas as pdimport numpy as npimport matplotlib.pyplot as pltimport seaborn as snsimport warningswarnings.filterwarnings('ignore')from statsmodels.tools.sm_exce原创 2022-05-27 13:19:58 · 572 阅读 · 1 评论 -
时序分析 32 - 时序预测 从ARIMA到SARIMAX (一)理论回顾
时序分析 32时序预测 从ARIMA到SARIMAX 上一篇文章中我们介绍了SARIMA模型,相比于ARIMA模型,SARIMA考虑了季节性因素。读过上篇文章的细心读者会发现,python的statsmodels对sarima的支持对象名为SARIMAX。事实上,确实存在一个时序分析模型称为SARIMAX(Seasonal Auto-Regressive Integrated Moving Average with eXogenous factors),对比原创 2022-05-23 19:45:10 · 4583 阅读 · 0 评论 -
时序分析 31 - SARIMA
时序预测SARIMA本系列前面我们介绍过MA(q)Moving Average/移动平均模型、AR/ Autoregressive/自回归、ARMA(p,q)Autoregressive Moving Average/自回归移动平均、ARIMA(p,q,d),Autoregressive Integrated Moving Average/差分自回归移动平均模型。整体看来模型越来越复杂,考虑的因素也是越来越全面。但ARIMA模型并没有考虑季节因素或者说是周期性因素,本篇文章介绍可以弥补这一点的SARIM原创 2022-05-21 12:50:38 · 4417 阅读 · 3 评论 -
时序分析 30 金融资产预测 - 蒙特卡洛模拟
金融资产预测蒙特卡洛模拟 商业经营活动中经常需要预测其收入、成本和利润。企业中的金融团队很可能会被要求构建金融模型进行场景分析,例如在不同的假设的情况下分析最好的情况、正常情况和最差的情况。这样做的目的主要是为管理层提供在不同的市场情况下公司的业务的营收情况的预览。但是构建类似模型的一个显著问题就是我们通常难以估算各种场景出现的概率。本文中,我们探讨使用Python语言应用蒙特卡洛模拟来缓解前面所说的问题,并且提供公司到达其目标的似然估计。蒙特卡洛模拟简介原创 2022-05-05 20:05:40 · 3089 阅读 · 0 评论 -
时间序列分析 25 DTW (时序相似度度量算法) 下
接上…时间序列分析 23 DTW (时序相似度度量算法) 中时间序列分析 23 DTW (时序相似度度量算法) 上DTW 实践1 声音识别这个实例中,我们将引入四个音频文件。第一个是原始声音第二个与第一个所说的内容一样,但是语调和说话方式有很大不同。第三个与第一个的语调和说话方式相同,但是内容不一样。 最后一个与第一个是最为相似的。四个音频的t图形如下图,左上为第一个,右上为第二个,左下为第三个。 每个图的标题代表该音频的内容。读取音频文件的示例代码如下:from scipy.io i原创 2021-06-03 13:10:42 · 1584 阅读 · 2 评论 -
时间序列分析 24 DTW (时序相似度度量算法) 中
接上文,时间序列分析 23 DTW (时序相似度度量算法) 上DTW解析 我们已经给出了算法的原理和实现代码。在这一部分,我们将从直观上深度解析一下DTW算法,就以前面所给出的图形中的蓝色A,绿色B序列为例。见下图,DTW算法是建立在计算两个序列的距离混淆矩阵的基础上的。图(a)中时序A的值显示在X轴上,时序B的值显示在Y轴上。图(b)显示了最佳对齐方式,连接A,B序列的红线就对应了图(a)中的红点。关键问题在于我们如何找到这个最佳对齐方式,请见下图原创 2021-06-03 12:53:50 · 1449 阅读 · 1 评论 -
时间序列分析 23 DTW (时序相似度度量算法) 上
时间序列分析 - 23 DTW (时序相似度度量算法) 上DTW初探简介 在时序分析中,DTW(Dynamic Time Warping)是用来检测两个时序相似程度的算法,而这个相似程度通常用一个距离来表示。例如如下的两个序列,a=[1,2,3]a=[1,2,3]a=[1,2,3]b=[3,2,2]b=[3,2,2]b=[3,2,2]我们该如何衡量这两个序列的距离呢?一个比较明显的方法是对 ???? , ???? 这两个序列中的元素按照位置一一计原创 2021-06-03 12:44:14 · 6434 阅读 · 6 评论 -
时序分析 22 高斯混合模型 (下)
时序分析 22高斯混合模型 (下)接上… 接下来,使用sklearn的GMM模型来做拟合,首先应用一个成分,等价于用一个正态分布来拟合数据。def make_gmm(n_components, max_iter=150, random_state=RANDOM_STATE): """fn: create gmm object""" model_kwds = dict(n_components=n_components,原创 2021-05-15 10:23:15 · 820 阅读 · 1 评论 -
时序分析 21 高斯混合模型 (中)
时序分析 22 高斯混合模型 (中)…接上 金融时序经常呈现不平稳的状态,同时金融市场也会处于不同的阶段。例如牛市和熊市,高波动期/中波动期/低波动期。有时候市场价格和过去的价格是正相关的而有时是负相关的;有时和某些变量呈现线性关系而有时呈现非线性关系。 我们在分析时序数据时,判断和预测市场所处的阶段非常重要。本系列文章前面所讨论的隐含马尔可夫模型就是对此类问题的一种方法,本篇文章着重讨论如何使用高斯混合模型来原创 2021-05-06 20:09:22 · 1028 阅读 · 4 评论 -
时序分析 20 高斯混合模型 (上)
时序分析 20 高斯混合模型 (上)前言 在时序分析中,我们经常需要对时序数据进行分段(Time Series Segmentaion),对于金融时序数据尤其如此。我们多次观察到某个时序数据在不同的时间阶段展现除了不同的统计特征和特性,也就是说该时序是不平稳的。通常在这种情况下,我们需要采用诸如GARCH,差分等技术对该时序数据进行建模,但是如果我们可以把整个时序分成几个阶段,而在一个阶段内其统计特性或者某些特征接近,从而对于各个阶段结合业务特征和属性分别建原创 2021-04-17 11:13:08 · 1791 阅读 · 3 评论 -
时序分析 19 VAR(Vector Autoregression) 向量自回归
时序分析 19 向量自回归 (VAR)VAR (Vector Autoregressive)简介 本文开始介绍VAR(Vector Autoregressive)向量自回归。 前面我们讨论了多个自回归模型,例如AR, ARMA, ARIMA等。而向量自回归和已讨论地自回归模型有本质的区别:类似AR等模型所建模的关系都是单向的,而VAR是双向的。 所谓单向就是模型原创 2021-04-05 11:00:46 · 12971 阅读 · 8 评论 -
时序分析 18 状态空间模型 下 (卡尔曼滤波)
时序分析 18 状态空间模型 下(卡尔曼滤波)前言 卡尔曼滤波算法是通过所观测到的数据来估算无法观测到的背后的驱动因素,包含了统计误差和其他一些不精确的因素。在每一个时间节点上,卡尔曼滤波都会对系统状态进行预测,并衡量自己的变差并进行修正,从而更好地预测时序数据。我们可以把卡尔曼滤波理解为隐含马尔可夫模型在连续变量域的版本,它也属于状态空间模型。事实上,这种逻辑是比较符合客观事实的。我们在业务数据分析中也经常可以看到卡尔曼滤波的有效性。 &nb原创 2021-03-20 14:12:10 · 2163 阅读 · 0 评论 -
时序分析 17 状态空间模型 上 (隐含马尔可夫模型)
时序分析 17 状态空间模型 上隐含马尔可夫模型 Dynamic State Space Model(DSSM), 状态空间模型在数据分析、时序分析,机器学习领域有非常重要的应用。它假设一个系统的状态是动态变化的,且当前状态依赖于过去的状态,这种假设是比较符合客观上我们所能观测到的现象。 本文和下一篇文章,我们将讨论动态空间模型中两种最重要的模型:隐含马尔可夫模型和卡拉曼滤波。状态空间模型  原创 2021-01-19 20:13:36 · 1776 阅读 · 0 评论 -
时序分析 16 协整序列 下
时序分析 16协整序列下… 接上乘法收益和加法收益都是稳定的。但是在实践中我们发现这种情况并不一定总是出现这种情况。而且,我们也不能因为一个时序过去是平稳的,就认为未来也是平稳的。时序的平稳检测需要经常进行检测,包括交叉验证和样本外评估等多种方法。实践中,我们经常在分析收益而不是在分析价格,原因就是价格是I(1)I(1)I(1) 而收益是价格差分的结果,属于I(0)I(0)I(0)协整序列和实践终于,我们开始探讨本文的最主要的话题:协整序列。定义:我们假设有一系列时序数据(X1X_1X1原创 2020-12-16 22:00:08 · 440 阅读 · 0 评论 -
时序分析 15 协整序列 上
时序分析 15 协整序列 上协整序列(Cointegration)序列 A (平稳)序列 B (不平稳)移动平均表示现在我们可以引入 Order of Integration的概念: 表示为 I(i)I(i)I(i)我们看一下真实数据的情况未完,待续...协整序列(Cointegration)在金融时序分析领域,经常会涉及到有两个时序本身存在经济本质关联。例如,金融衍生品和标的资产的价格,美元指数和石油。因为其经济实质,它们的时序数据不会偏离太远或者存在某种必然的联系。协整序列就是研究这种问题的一种手原创 2020-12-07 16:45:10 · 1327 阅读 · 0 评论 -
时序分析(14) GMM (Generalized Method of Moments) with GARCH
时序分析(14)GMM (Generalized Method of Moments) with GARCH 前面我们介绍了GARCH方法和实践,当时我们在估算参数的时候采用的最大似然估计(MLE)。本篇我们要介绍另外一个可能更适合金融时序分析的参数估算方法:GMM(Generalized Method of Moments)。GMM在统计模型中的...原创 2019-11-09 20:40:29 · 2674 阅读 · 1 评论 -
时序分析(13) -- 重新审视GARCH和EWMA
时序分析(13)重新审视GARCH和EWMA 在前面的文章中我们已经介绍了GARCH和EWMA模型,它们都把更高的权重放在最近的信息上。为了加深对它们的理解,本片文章从另外一个视角来重新审视GARCH和EWMA模型,并讨论它们的关系。我们很快就会看到实际上EWMA是GARCH的一种特殊形式,且都使用了指数平滑。一. 简单回顾GARCHGAR...原创 2019-11-09 18:04:00 · 3491 阅读 · 0 评论 -
时序分析(12) -- 基于回归的平滑技术
时序分析(12)基于回归的平滑技术 上一篇文章中,我们着重探讨了金融时序分析中应用非常广泛的指数平滑技术。本篇文章我们补充介绍在工业中也起着重要作用的基于回归方法的平滑技术,主要包括:Spline SmoothingLOESS/LOWESS SmoothingKernel SmoothingSpline SmoothingSpin...原创 2019-11-09 16:22:27 · 1921 阅读 · 0 评论 -
时序分析 (11) - 时序平滑(下)
时序分析 (11)时序平滑(下) 在本篇文章中的前两部分,我们已经介绍了多种平滑技术,重点讲解了在时序分析和预测中占有重要地位的指数平滑技术。在最后一篇中,我们需要进入实践部分。我们将比较多种平滑技术对四指数数据的平滑效果。我们只对国内股票和香港股票的净值数据进行平滑SMA窗口为30天data = indexs_sub[['国内股票',...原创 2019-11-09 15:32:58 · 890 阅读 · 0 评论 -
时序分析(10) -- 时序平滑(中)
时序分析(10)时序平滑(中) 上一篇文章我们介绍了时序平滑的基本技术和方法论,并详细讲解了简单指数平滑。本篇文章主要介绍指数平滑技术的其他变种,包括:Holt’s Linear TrendExponential TrendDamped TrendHolt’s Winters Seasonal指数平滑小结Innovations sta...原创 2019-11-09 14:46:34 · 1019 阅读 · 1 评论