ARFIMA模型在金融时间序列的应用，刘强，余冬玲，本文系统地讨论了如何对分整自回归移动平均(Autoregressive fractionally integrated moving average, ARFIMA)模型进行参数估计以及相应的建模。具体�

针对时间序列子序列聚类存在的平凡相似和水平伸缩等问题，提出了一种新的子序列聚类算法。它采用多孔平滑滤波器组对时间序列进行低通平滑处理，在所得到的多个尺度序列上生成平凡簇，然后将各个平凡簇的代表子序列作为数据样本进行聚类。新方法利用平凡簇克服了子序列聚类中的平凡相似问题，并且可以在时间序列上发现不等长的相似子序列，较好地解决了水平轴伸缩问题。实验结果证明新算法对于子序列聚类具有比较好的效果。

白噪声检验也称为纯随机性检验， 当数据是纯随机数据时，再对数据进行分析就没有任何意义了， 所以拿到数据后最好对数据进行一个纯随机性检验 acorr_ljungbox(x, lags=None, boxpierce=False) # 数据的纯随机性检验函数 lags为延迟期数，如果为整数，则是包含在内的延迟期数，如果是一个列表或数组，那么所有时滞都包含在列表中最大的时滞中 boxpierce为True时表示除开返回LB统计量还会返回Box和Pierce的Q统计量 返回值： lbvalue:测试的统计量 pvalue:基于卡方分布的p统计量 bpvalue:((optionsal), floa

NANAUTOCORR和NANPARCORR计算包含NaNs的数据向量的nlag自相关系数和部分自相关系数。 使用 MATLAB 函数 CORR 并允许排除包括 NaN 在内的数据对。 非显着系数的置信边界是使用 Bartlett 公式给出的，假设是渐近正态性。 基于 MATLAB 函数 CORR。 任何反馈或建议，表示赞赏。

只有在非常简单的情况下，我们才能将两个时间序列之间的相关性描述为一个数字。 通常它会随着时间和波长而变化。 由于噪声，数据集在短时间尺度上可能不相关，但在较大波长（例如每年）上强烈相关。 该程序将计算（使用小波）作为时间和波长函数的相关性。 反相关 (s=-1) 显示为蓝色，零相关 (s=0) 显示为绿色，正相关 (s=+1) 显示为红色。 图像显示了石油价格和黄金价格之间的相关性，除了 1985 年和 1995 年之间的时间段外，大部分为红色（暗示强正相关）。 请注意，使用此方法比较以不同单位测量的数据集是有效的。

时间序列的建模过程，主要是ARMA和ARIMA等模型的建模。

用于执行类似 Facebook Gorilla 的时间序列压缩的 Rust 库

1.领域：matlab，LSTM深度学习网络 2.内容：基于LSTM深度学习网络的时间序列预测matlab仿真+操作视频 3.用处：用于LSTM深度学习网络编程学习 4.指向人群：本硕博等教研学习使用 5.运行注意事项： 使用matlab2021a或者更高版本测试，运行里面的Runme_.m文件，不要直接运行子函数文件。运行时注意matlab左侧的当前文件夹窗口必须是当前工程所在路径。 具体可观看提供的操作录像视频跟着操作。

数据是单维一例的，基于时间节点的预测，matlab出图，程序包含LSTM程序单独运行、SSA-LSTM程序运行、两种程序对比。前70%训练，后面30%预测，大约有2000个数据，代码有详细说明，可供调整学习。

杨叔子等编著的时间序列分析的工程应用，详细讲述ARMA模型的参数选择及建模理论和方法，本资源为第一版上册。下载后请解压，并用超星阅览器阅读文献。