时间序列分析是统计学、经济金融和管理学等专业的一门很重要的课程。这些专业的学生学习这门课的主要目标是用时间序列模型对实际数据行建模和分析。本书很好地平衡了数学理论和案例应用，并且配有R和Python两种语言的代码供读者选择学习。另外，还配有丰富的线上资源：教学PPT讲义、案例数据和代码。
售 价：¥
纸质售价：¥77.50购买纸书
6.7
温馨提示：数字商品不支持退换货，不提供源文件，不支持导出打印
为你推荐
PREFACE 前言
CHAPTER1 第1章 引言
1.1 时间序列的特点
1.2 时间序列例子
1.3 R软件入门
1.4 Python软件入门
1.4.1 简介
1.4.2 动手
1.5 本章Python代码
1.6 习题
CHAPTER2 第2章 一元时间序列的基本概念和ARIMA模型
2.1 平稳性及相关性度量
2.1.1 平稳性、自协方差函数和自相关函数
2.1.2 差分算子和后移算子
2.2 白噪声
2.3 随机游走
2.4 趋势平稳过程
2.5 联合平稳性和互相关函数
2.6 一般线性模型
2.7 MA模型
2.8 AR模型
2.9 ARMA模型
2.10 ARIMA模型
2.11 季节模型
2.12 本章Python代码
2.13 习题
CHAPTER3 第3章 一元时间序列数据的拟合及预测：ARIMA及其他模型
3.1 拟合及预测的基本目的与预测精度的度量
3.2 对序列自相关性的混成检验
3.3 ARMA模型的估计和预测
3.3.1 ARMA模型的最大似然估计
3.3.2 ARMA模型的矩估计方法
3.3.3 ARMA模型预测的基本数学原理
3.4 简单指数平滑
3.5 Holt-Winters滤波预测方法
3.6 指数平滑模型的一些术语和符号
3.7 时间序列季节分解的LOESS方法
3.7.1 LOESS方法简介
3.7.2 利用LOESS做季节分解
3.8 回归用于时间序列
3.9 时间序列的交叉验证
3.9.1 交叉验证：利用固定长度的训练集来预测固定长度的未来
3.9.2 交叉验证：利用逐渐增加长度的训练集来预测固定长度的未来
3.10 更多的一元时间序列数据实例分析
3.10.1 有效联邦基金利率例子（例1.4）
3.10.2 澳洲Darwin自1882年以来月海平面气压指数例子
3.10.3 中国12个机场旅客人数例子
3.10.4 例1.2中Auckland降水序列例子
3.11 本章Python代码
3.11.1 例3.1中澳大利亚牛奶产量数据
3.11.2 例3.2中尼罗河年流量数据
3.11.3 例3.3中夏威夷Mauna Loa火山大气二氧化碳浓度数据
3.11.4 例3.4中乘机旅客数据
3.11.5 例3.6中中国经济数据
3.11.6 例3.7中Nelson和Plosser经济数据
3.11.7 例3.8中就业人口比例数据
3.12 习题
CHAPTER4 第4章 状态空间模型和Kalman滤波
4.1 动机
4.2 结构时间序列模型
4.2.1 局部水平模型
4.2.2 局部线性趋势模型
4.2.3 季节效应
4.3 一般状态空间模型
4.3.1 使用R程序包解状态空间模型的要点
4.3.2 系数随时间变化的回归
4.3.3 结构时间序列的一般状态空间模型表示
4.3.4 ARMA模型的状态空间模型形式
4.4 Kalman滤波
CHAPTER5 第5章 单位根检验
5.1 单整和单位根
5.2 单位根检验
5.2.1 DF检验、ADF检验以及PP检验
5.2.2 KPSS检验
5.3 本章Python代码
5.3.1 随机数据
5.3.2 例3.7中货币流通速度数据
5.3.3 例3.2中尼罗河年流量数据
CHAPTER6 第6章 长期记忆过程：ARFIMA模型
6.1 长期记忆序列
6.2 介于I（0）和I（1）之间的长期记忆序列
6.3 ARFIMA模型
6.4 参数d的估计
6.4.1 参数d的估计：平稳序列情况
6.4.2 参数d∗的估计：非平稳ARFIMA(p,d∗,q)情况
6.5 ARFIMA模型拟合尼罗河年流量数据
CHAPTER7 第7章 GARCH模型
7.1 时间序列的波动
7.2 模型的描述
7.2.1 ARCH模型
7.2.2 GARCH模型
7.3 数据的拟合
7.3.1 例1.1中美国工业生产增长指数数据的拟合
7.3.2 例7.1中数据的拟合
7.4 GARCH模型的延伸
7.4.1 一组GARCH模型
7.4.2 FGARCH模型族
7.4.3 ARFIMA-GARCH模型族拟合例7.1中的数据
7.5 本章Python代码
7.5.1 例7.1中美元对欧元汇率数据
7.5.2 例1.1中美国工业生产增长指数序列数据
CHAPTER8 第8章 多元时间序列的基本概念及数据分析
8.1 平稳性
8.2 交叉协方差矩阵和相关矩阵
8.3 一般线性模型
8.4 VARMA模型
8.5 协整模型和Granger因果检验
8.5.1 VECM和协整
8.5.2 Engle-Granger协整检验
8.5.3 Pillips-Ouliaris协整检验
8.5.4 Johansen方法
8.5.5 Granger因果检验
8.6 多元时间序列案例分析
8.6.1 加拿大宏观经济数据
8.6.2 例8.2中加拿大宏观经济数据的协整检验和Granger因果检验
8.6.3 用VAR（2）模型拟合例8.2中加拿大宏观经济数据并做预测
8.6.4 用VARX模型拟合例8.2中加拿大宏观经济数据并做预测
8.6.5 用状态空间VARX模型拟合例8.2中的数据
8.7 本章Python代码
8.7.1 例8.1中燃气炉数据
8.7.2 例3.7中美国经济数据
8.7.3 例8.1中燃气炉数据（续）
8.7.4 例8.2中加拿大宏观经济数据
8.8 习题
CHAPTER9 第9章 非线性时间序列
9.1 非线性时间序列例子
9.2 线性AR模型
9.3 自门限自回归模型
9.3.1 一个门限参数的模型
9.3.2 两个门限参数的模型
9.3.3 Hansen检验
9.4 logistic平滑过渡自回归模型
9.5 可加AR模型
9.6 模型的比较
9.7 门限协整
9.7.1 向量误差修正模型
9.7.2 向量误差修正模型的估计
9.7.3 关于向量误差修正模型的Hansen检验
CHAPTER 10 第10章 深度学习方法在时间序列中的应用
10.1 神经网络概述
10.2 BP神经网络
10.2.1 信息的前向传播过程
10.2.2 误差的反向传播机制
10.2.3 案例实现
10.3 卷积神经网络
10.3.1 CNN简介
10.3.2 CNN的模型结构
10.3.3 卷积层工作原理
10.3.4 池化层工作原理
10.3.5 全连接层
10.3.6 CNN的反向传播
10.4 循环神经网络和长短期记忆模型
10.4.1 RNN模型介绍
10.4.2 LSTM模型介绍
10.4.3 RNN、LSTM案例
10.5 Transformer
10.5.1 Seq2Seq
10.5.2 注意力机制
10.5.3 Transformer流程
10.5.4 Transformer案例
10.5.5 Transformer小结
CHAPTER11 第11章 谱分析简介
11.1 周期性时间序列
11.2 谱密度
11.3 谱分布函数
11.4 自相关母函数和谱密度
11.5 时不变线性滤波器
11.6 谱估计
11.6.1 通过样本自协方差函数估计谱密度
11.6.2 通过周期图估计谱密度
11.6.3 非参数谱密度估计
11.6.4 参数谱密度估计
APPENDIX A 附录A 使用R软件练习
APPENDIX B 附录B 使用Python软件练习
买过这本书的人还买过
读了这本书的人还在读
同类图书排行榜
购物车
个人中心
