ARIMA模型例题.doc

代码和原始数据 该模型由R编写，R是一种简洁的编程语言。 历史^ HSI数据可从下载。 培训数据涵盖了2010年1月5日至2021年1月29日。 测试数据从2021-01-29开始。 查看有关报告 我的电子邮件：

Auto_TS：Auto_TimeSeries 使用单行代码自动构建多个时间序列模型。 现在已用Dask更新。 Auto_timeseries是用于时间序列数据的复杂模型构建实用程序。 由于它可以自动执行复杂任务中的许多任务，因此它假定了许多智能默认值。 但是您可以更改它们。 Auto_Timeseries将基于Statsmodels ARIMA，Seasonal ARIMA和Scikit-Learn ML快速建立预测模型。 它将自动选择给出最佳分数的最佳模型。 从0.0.35版开始，新版本进行了重大更新：现在，您可以将文件加载到Dask数据框中。 只需提供文件名，如果文件名太大而无法容纳在pandas数据框中，则Auto_TS会自动检测到该文件并将其加载到Dask数据框中。 此外，自0.0.25版以来的新功能是Auto_TimeSerie的语法：现在，它更像scikit-lear

ARIMA模型在农产品价格预测中的应用

基于ARIMA模型的电商销售预测及R语言实现.pdf

在经济体系不稳定的发展中国家，历史数据的永久性波动一直是一个令人担忧的问题。 识别变量的依赖性和独立性是模糊的，建立可靠的预测模型比其他国家更复杂。 尽管非线性多元经济时间序列的线性化来预测可能会给出结果，但应忽略显示经济系统中不规则性的数据的性质。 人工神经网络（ANN）的新方法有助于建立一个保持数据属性的预测模型。 在本文中，我们使用德黑兰证券交易所 (TSE) 10 年的日内数据来预测未来 2 个月。 与自回归积分移动平均 (ARIMA) 模型相比，来自 ANN 的长短期记忆 (LSTM) 选择和输出。 结果表明，虽然在长期预测中，两种模型的预测精度都有所降低，但 LSTM 在精度误差方面明显优于 ARIMA。

基于ARIMA-BP神经网络的CPU利用率预测模型研究

时序分析和arima预测的例子，包括一个时序数据集合jupyter notebook代码，数据集是飞机乘客数据。

基于ARIMA-TGARCH模型的中国股票指数收益率波动研究，谢梦菂，王斌会，中国股票市场自开市以来已有三十多年的历史，交易制度和监管措施已经日趋完善，虽然和国外成熟的股票市场比较还是有一定的差距，

目录 基本信息 该项目尝试使用简单的ARIMA模型对财务模型进行建模。 技术领域 使用以下项目创建项目： Python版本：3.8 设置 最佳实践是在虚拟环境中运行程序文件，因为它允许程序以其自己的独立依赖项运行。 要初始化虚拟环境，请使用以下命令： cd path_to_project/ python -m venv .venv 要激活环境： Mac / Linux： source my_env/bin/activate 视窗： .\venv\Scripts\activate 要验证您的虚拟环境已激活，您的命令行应如下所示。 (.venv) ~path_to_project\Stats-6A03> 然后，要安装所需的依赖项，请运行以下命令。 pip install -r requirements.txt 要取消激活，只需使用以下命令： deactivate