超值优惠券
¥50
100可用 有效期2天

全场图书通用(淘书团除外)

不再提示
关闭
图书盲袋,以书为“药”
欢迎光临中图网 请 | 注册
> >
基于Python的时间序列分析

基于Python的时间序列分析

作者:白晓东
出版社:清华大学出版社出版时间:2023-04-01
开本: 其他 页数: 292
中 图 价:¥44.1(7.6折) 定价  ¥58.0 登录后可看到会员价
加入购物车 收藏
运费6元,满39元免运费
?新疆、西藏除外
本类五星书更多>
买过本商品的人还买了

基于Python的时间序列分析 版权信息

基于Python的时间序列分析 本书特色

一本借助Python软件学习和实践时间序列分析的教材本书通俗易懂,案例丰富,便于操作,可作为高等院校统计、经济、商科、工程以及定量社会科学等相关专业的本科生学习时间序列分析的教材或教学参考书,也可做为硕士研究生使用Python软件学习时间序列分析的入门书,还可供相关技术人员进行时序数据处理的参考书。

基于Python的时间序列分析 内容简介

本书在借鉴国内外相关教材优点的基础上, 总结作者多年讲授时间序列分析课程的教学经验和体会, 本着“教师好用、学生好读”的指导思想, 系统地介绍了一元时间序列分析的基本思想、基本原理和基本方法, 内容包括时间序列的基本概念、时间序列数据的预处理方式、分解和平滑、趋势的消除、单位根检验和协整、平稳时间序列模型、非平稳时间序列模型、残差自回归模型、季节模型、异方差时间序列模型、谱分析、基于深度学习的时间序列预测以及上述模型的性质、建模、预测, 此外还包含了大量的实例. 本书全程使用 Python语言分析了来自不同学科的真实数据.

基于Python的时间序列分析 目录

第 1 章 引言及基础知识 1 1.1 引言 1 1.1.1 时间序列的定义 1 1.1.2 时间序列的分类 6 1.1.3 时间序列分析的方法回顾 6 1.2 基本概念 8 1.2.1 时间序列与随机过程 8 1.2.2 概率分布族及其征 8 1.2.3 平稳时间序列的定义 10 1.2.4 平稳时间序列的些性质 11 1.2.5 平稳性假设的意义 12 1.3 时间序列建模的基本步骤 14 1.3.1 模型识别 14 1.3.2 模型估计 15 1.3.3 模型检验 15 1.3.4 模型应用 16 1.4 数据预处理 16 1.4.1 时序图与自相关图的绘制 16 1.4.2 数据平稳性的图检验 21 1.4.3 数据的纯随机性检验 24 题 1 28 第 2 章 平稳时间序列模型及其性质 31 2.1 差分方程和滞后算子 31 2.1.1 差分运算与滞后算子 31 2.1.2 线性差分方程 32 2.2 自回归模型的概念和性质 34 2.2.1 自回归模型的定义 34 2.2.2 稳定性与平稳性 38 2.2.3 平稳自回归模型的统计性质 41 2.3 移动平均模型的概念和性质 50 2.3.1 移动平均模型的定义 50 2.3.2 移动平均模型的统计性质 50 2.4 自回归移动平均模型的概念和性质 55 2.4.1 自回归移动平均模型的定义 55 2.4.2 平稳性与可逆性 56 2.4.3 Green 函数与逆函数 56 2.4.4 ARMA(p, q) 模型的统计性质 57 题 2 59 第 3 章 平稳时间序列的建模和预测 61 3.1 自回归移动平均模型的识别 61 3.1.1 自相关函数和偏自相关函数的估计 61 3.1.2 模型识别的方法 62 3.2 参数估计 68 3.2.1 矩估计法 68 3.2.2 小二乘估计 72 3.2.3 大似然估计 74 3.2.4 应用举例 75 3.3 模型的检验与化 77 3.3.1 残差的检验 78 3.3.2 过度拟合检验 79 3.3.3 模型化 80 3.4 序列的预测 84 3.4.1 预测准则 84 3.4.2 自回归移动平均模型的预测 87 题 3 92 第 4 章 数据的分解和平滑 95 4.1 序列分解原理 95 4.1.1 平稳序列的 Wold 分解 95 4.1.2 般序列的 Cramer 分解 96 4.1.3 数据分解的形式 97 4.2 趋势拟合法 99 4.2.1 线性拟合 99 4.2.2 由线拟合 101 4.3 移动平均法 103 4.3.1 中化移动平均法 103 4.3.2 简单移动平均法 104 4.3.3 二次移动平均法 106 4.4 指数平滑方法 108 4.4.1 简单指数平滑方法 108 4.4.2 Holt 线性指数平滑方法 110 4.4.3 Holt-Winters 指数平滑方法 112 4.5 季节效应分析 115 题 4 117 第 5 章 非平稳时间序列模型 119 5.1 非平稳序列的概念 119 5.1.1 非平稳序列的定义 119 5.1.2 确定性趋势 120 5.1.3 随机性趋势 120 5.2 趋势的 121 5.2.1 差分运算的本质 121 5.2.2 趋势信息的提取 122 5.2.3 过差分现象 125 5.3 求和自回归移动平均模型 127 5.3.1 求和自回归移动平均模型的定义 127 5.3.2 求和自回归移动平均模型的性质 128 5.3.3 求和自回归移动平均模型建模 129 5.3.4 求和自回归移动平均模型的预测理论 135 5.4 残差自回归模型 137 5.4.1 残差自回归模型的概念 137 5.4.2 残差的自相关检验 138 5.4.3 残差自回归模型建模 140 题 5 144 第 6 章 季节模型 146 6.1 简单季节自回归移动平均模型 146 6.1.1 季节移动平均模型 146 6.1.2 季节自回归模型 147 6.2 乘积季节自回归移动平均模型 148 6.3 季节求和自回归移动平均模型 149 6.3.1 乘积季节求和自回归移动平均模型 149 6.3.2 乘积季节求和自回归移动平均模型的建模 150 6.4 季节求和自回归移动平均模型的预测 155 题 6 158 第 7 章 单位根检验和协整 160 7.1 伪回归 160 7.1.1 “伪回归” 现象 160 7.1.2 非平稳对回归的影响 161 7.2 单位根检验 162 7.2.1 理论基础 162 7.2.2 DF 检验 164 7.2.3 ADF 检验 165 7.2.4 KPSS 单位根检验 168 7.3 协整 171 7.3.1 协整的概念 171 7.3.2 协整检验 173 7.4 误差修正模型 176 题 7 177 第 8 章 异方差时间序列模型 180 8.1 简单异方差模型 180 8.1.1 异方差的现象 180 8.1.2 方差齐性变换 182 8.2 自回归条件异方差模型 185 8.2.1 自回归条件异方差模型的概念 185 8.2.2 自回归条件异方差模型的估计 186 8.2.3 自回归条件异方差模型的检验 187 8.3 广义自回归条件异方差模型 191 题 8 197 第 9 章 普分析 200 9.1 谱分析大意 200 9.2 谱密度 203 9.2.1 谱表示 204 9.2.2 谱密度 204 9.3 谱密度估计 210 9.3.1 谱密度的周期图估计 210 9.3.2 谱密度的非参数估计 212 9.3.3 谱密度的参数估计 220 9.4 案例分析 221 题 9 224 第 10 章 基于深度学的时间序列预测 226 10.1 基于多层感l机的时间序列预测 226 10.1.1 多层感l机概述 226 10.1.2 多层感l机的训练 227 10.1.3 案例分析 230 10.2 基于循环经网络的时间序列预测 239 10.2.1 循环经网络的概念 239 10.2.2 循环经网络的训练 241 10.2.3 长期相依问题 242 10.2.4 案例分析 245 10.3 基于卷积经网络的时间序列预测 248 10.3.1 二维卷积与维卷积 248 10.3.2 案例分析 252 题 10 253 附录 Python 入门 255 1 Python 简介 255 2 Anaconda 环境搭建及界面介绍 255 2.1 Anaconda 的安装 255 2.2 环境管理 257 2.3 Jupyter Notebook 界面与使用简介 259 3 Python 基础 261 3.1 数据的读写 261 3.2 编程基础 263 4 几个模块入门 269 4.1 Numpy 269 4.2 Pandas 273 4.3 Matplotlib 275 参考文献 278
展开全部

基于Python的时间序列分析 作者简介

白晓东,博士学位,教授。大连民族大学理学院。从事教学工作20几年,本科是基础数学专业、硕士是概率论与数理统计专业,博士是金融数学与保险精算专业,主持或参加过多项省部级以上科研项目和教改项目,发表过近20篇学术论文,5521人才工程第二层次。

商品评论(0条)
暂无评论……
书友推荐
本类畅销
编辑推荐
返回顶部
中图网
在线客服