互联网 类型
可以朗读 语音朗读
133千字 字数
2026-01-01 发行日期
展开全部

主编推荐语

R与Python双语言实现，掌握时间序列分析技能。

内容简介

时间序列分析是统计学的一个重要分支，是一种用于分析与预测时序数据的统计方法。它广泛应用于经济、商业、社会问题研究中，特别是在金融市场预测中具有重要地位。时间序列分析的核心是通过数学建模揭示数据中的趋势、周期性和季节性特征，从而对未来变化趋势进行预测。

本书理论与实践并重，力图用简单通俗的语言阐述基本概念和计算，并尽量通过案例来讲述各种时间序列方法，使得具有不同专业背景的读者容易理解，同时也把有关的数学理论用简单完整的方式阐述，以供读者快速掌握核心理论。

本书不仅介绍了ARMA模型、状态空间模型、Kalman滤波、单位根检验和GARCH模型等一元时间序列方法，还介绍了很多多元时间序列方法，如线性协整、门限协整、VAR模型、Granger因果检验、神经网络模型、可加AR模型和谱估计等，并且专门用一章讲述如何用深度学习方法进行时间序列分析。

书中强调对真实的时间序列数据进行分析，全程使用R和Python软件分析了多个科学领域的实际数据，尤其是金融和经济中的数据。

目录

  • 版权信息
  • 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
展开全部

评分及书评

尚无评分
目前还没人评分

出版方

机械工业出版社

机械工业出版社是全国优秀出版社，自1952年成立以来，坚持为科技、为教育服务，以向行业、向学校提供优质、权威的精神产品为宗旨，以“服务社会和人民群众需求，传播社会主义先进文化”为己任，产业结构不断完善，已由传统的图书出版向着图书、期刊、电子出版物、音像制品、电子商务一体化延伸，现已发展为多领域、多学科的大型综合性出版社，涉及机械、电工电子、汽车、计算机、经济管理、建筑、ELT、科普以及教材、教辅等领域。