用支持向量机的方法用于预测金融股票走向 用SVM的改进LSSVM能够更好的预测 有很好的泛化能力

MATLAB 是优秀的数学计算工具, 本文阐述并举例说明如何利用MATLAB 来对金融时间序列进行分析及建模。

前言 因近期进行时间序列分析时遇到了数据预处理中的缺失值处理问题，其中日期缺失和填充在网上没有找到较好较全资料，耗费了我一晚上工作时间，所以下面我对这次时间序列缺失值处理学习做了以下小结以供之后同行们参考指正。 时间序列缺失值处理 一、编程前准备 收集时间序列数据，相信看这篇博客的各位已经完成了这步。 需要安装pandas模块，并利用Python的Lib文件夹自带的datetime库（当时我因为在Pycharm环境中没看到datetime模块又去安装了DateTime模块并看了DateTime英文文档，发现这个对象的参数并不能满足时间序列缺失填充的需求，所以又下了datetime2模块，

时间序列分析预测论文 Forecasting at Scale

骇客深度学习：使用TensorFlow 2和Keras和Python的机器学习教程（包括Jupyter笔记本）-（LSTM，超电流表调整，数据预处理，偏差方差折衷，异常检测，自动编码器，时间序列预测，对象检测，情感分析，使用BERT进行意图识别）

数据降维和特征表示是解决时间序列维灾问题的关键技术和重要方法, 它们在时间序列数据挖掘中起基础性作用. 鉴于此, 提出一种新的时间序列数据降维和特征表示方法, 利用正交多项式回归模型对时间序列实现特征提取, 结合特征序列长度对时间序列的拟合分析结果, 运用奇异值分解方法对特征序列进一步降维处理, 进而得到保存大部分信息且维数更低的特征序列. 数值实验结果表明, 新方法可以在维度较低的特征空间下取得较好的数据挖掘聚类和分类效果.

本书以易于理解的方式讲述了时间序列模型及其应用，主要内容包括：趋势、平稳时间序列模型、非平稳时间序列模型、模型识别、参数估计、模型诊断、预测、季节模型、时间序列回归模型、异方差时间序列模型、谱分析入门、谱估计、门限模型.对所有的思想和方法，都用真实数据集和模拟数据集进行了说明. 本书可作为高等院校统计、经济、商科、工程及定量社会科学等专业学生的教材或教学参考书，同时也可供相关技术人员使用.

符号化表示是一种有效的时间序列降维技术，其相似性度量是诸多挖掘任务的基础。基于SAX(symbolic aggregate approximation)的距离MINDIST_PAA_iSAX不满足对称性，在时间序列挖掘中具有局限性，提出了对称的度量Sym_PAA_SAX，且下界于欧拉距离。在真实数据集和合成数据集上的实验说明下界紧密性较好，相似搜索错报率较低。

时间序列分析之ARIMA上手-Python-附件资源

多元时间序列之间的传递熵