函数 [X1 X2] = fft_split(X) x = x1 + 1i*x2； X = fft(x); X1 = fft(x1); X2 = fft(x2); 当必须在资源有限的平台（例如小型 DSP 或 FPGA）上同时计算两个实值序列的 FFT 时，此操作很有用。 当长度为 2N 的实数序列的 FFT 仅使用一个长度为 N 的 FFT 计算时，此操作也很有用。 标准 FFT 算法需要复杂的输入序列。 如果只有真实的输入数据可用，计算 FFT 的最简单方法是将输入序列的虚部设置为零，但这会浪费计算资源。 如果只有复数 FFT 算法可用，更有效的方法是将输入数据的一半作为输入序列的实部，将输入数据的后半部分作为虚部来形成复数输入序列。输入序列。 然后可以对输入数据长度一半的序列执行 FFT。 FFT 的结果输出可以在之后进行拆分以获得原始真实输入数据的 FFT。 zip 文件中的

MATLAB实现BP神经网络时间序列未来多步预测预测（完整源码和数据） 历史多个数据预测未来多个数据，数据为单变量时间序列数据，BP神经网络结合贝叶斯正则化时间序列未来多步预测预测， 运行环境MATLAB2018b及以上。

COCO LM预训练（WIP） 在Pytorch中实现 ，纠正和对比文本序列以进行语言模型预训练。 他们能够以自我监督的方式进行对比学习，以进行语言模型预训练。 似乎是Electra的坚实后继者。 安装 $ pip install coco-lm-pytorch 用法 使用x-transformers库的示例 $ pip install x-transformers 然后 import torch from torch import nn from x_transformers import TransformerWrapper , Encoder from coco_lm_pytorch import COCO # (1) instantiate the generator and discriminator, making sure that the generator is ro

#计量经济学 计量经济学专题:金融时间序列预测，matlab源码 本课题分为文献综述和实证应用两部分。

基于支持向量机的时间序列预测(SVM) （Matlab完整程序和数据） 基于支持向量机的时间序列预测(SVM) （Matlab完整程序和数据） 基于支持向量机的时间序列预测(SVM) （Matlab完整程序和数据） 运行版本2018及以上

基于遗传算法优化BP神经网络的时间序列预测（Matlab完整程序和数据） 基于遗传算法优化BP神经网络的时间序列预测（Matlab完整程序和数据） 基于遗传算法优化BP神经网络的时间序列预测（Matlab完整程序和数据） 运行版本2018及以上

AMI 计算并绘制平均互信息 (ami) 以及不同时间滞后值的单变量或双变量时间序列的相关性。 用法： [amis corrs] = ami(xy,nBins,nLags) 输入： xy：单变量 (x) 或双变量 ([xy]) 时间序列数据。 如果给出双变量时间序列，那么 x 应该是自变量，y 应该是因变量。 如果给出单变量时间序列，则计算自相关而不是互相关。 nBins：时间序列数据的 bin 数量，用于计算计算 ami 所需的分布。 nBins 应该是 2 个元素的向量（对于双变量）或标量（单变量）。 nLags：计算 ami 和相关性的时间滞后数。 对 0:nLags 的滞后值进行计算。 输出： amis：时间滞后为 0:nLags 的平均互信息向量 corrs：时间滞后为 0:nLags 的相关向量（或单变量时间序列的自相关） 例子： xy = rand(1000,2);

（1）自回归（AR） （2）移动平均线 （3）自回归移动平均线 （4）自回归综合移动平均线（ARIMA） （5）季节性自回归综合移动平均线 (SARIMA) （6）具有外生回归量的季节性自回归综合移动平均线 (SARIMAX) （7）带有 ARIMA 误差的回归模型 （8）向量自回归（VAR） （9）GARCH 模型 （10）Glostan、Jagannathan 和 Runkle GARCH 模型

粗集理论对股票时间序列的知识发现\股票时间序列长期相关性的修正DFA识别\股票时间序列模型的关联规则挖掘等等

基于CNN卷积神经网络的时间序列预测（Matlab完整程序和数据） 运行版本2018及以上 基于CNN卷积神经网络的时间序列预测（Matlab完整程序和数据） 运行版本2018及以上 基于CNN卷积神经网络的时间序列预测（Matlab完整程序和数据） 运行版本2018及以上