基于SVM的金融时间序列分析的研究，刘迪，，本文通过比较支持向量机（SVM）和自回归移动平均模型(ARIMA)在金融时间序列回归分析的实验，提出了一种新的SVM和ARIMA的组合模型。该模

代码全部封装好了，注释也写得非常详细，在跑数据的过程中，有任何问题都可以私信博主

灵敏度(sensitivity)分析 假设:N个样本,3个特征属性F1/F2/F3 (1)分别计算各个特征属性的均值/标准差 (2)将(m1,m2,m3)作为输入端,模型输出结果为M (3)若要测试F1对应变量的影响 则：输入(m1+1*10%, m2, m3)，…… 输出M+M1，计算 (4)分别计算 可比较3个特征属性对输出的影响结果

本资源使用移动平均预测道琼斯、纳斯达克、标准普尔指数——Python中的基本数据操作和可视化，压缩包里包括S&P、Dow、Nasdaq数据集和代码。 移动平均⼜称移动平均线，简称均线。作为技术分析中⼀种分析时间序列的常⽤⼯具，常被应⽤于股票价格序列。移动平均可过滤⾼频噪声，反映出中⻓期低频趋势，辅助投资者做出投资判断。

数据挖掘导论 完整版本书全面介绍了数据挖掘的理论和方法，着重介绍如何用数据挖掘知识解决各种实际问题，涉及学科领域众多，适用面广。, 书中涵盖5个主题：数据、分类、关联分析、聚类和异常检测。除异常检测外，每个主题都包含两章：前面一章讲述基本概念、代表性算法和评估技术，后面一章较深入地讨论高级概念和算法。目的是使读者在透彻地理解数据挖掘基础的同时，还能了解更多重要的高级主题。, 本书特色, ·包含大量的图表、综合示例和丰富的习题。, ·不需要数据库背景，只需要很少的统计学或数学背景知识。, ·网上配套教辅资源丰富，包括ppt、习题解答、数据集等。

提出基于过程神经网络和自回归模型的组合预测方案。首先，采用二进正交小波变换对原始时间序列分解和重构，分离出原始序列中的高频部分和低频部分；然后对低频部分构建过程神经网络模型，对低频部分采用自回归模型；最后将两种模型的预测值叠加，得到原序列的预测值。

通过自然划分分段 将数值区域划分为相对一致的、易于阅读的、看上去更直观或自然的区间。 聚类分析产生概念分层可能会将一个工资区间划分为：[51263.98, 60872.34] 通常数据分析人员希望看到划分的形式为[50000，60000] 自然划分的3-4-5规则常被用来将数值数据划分为相对一致，“更自然”的区间

数学建模国赛优秀论文集锦-2020C：银行基于大数据挖掘对中小微企业的信贷决策问题

南京理工大学数据挖掘课件，主要内容是有关数据挖掘和数据仓库方面的。

时间序列异常检测 使用正态分布检测时间序列数据中的异常值的异常检测概念的证明。 这依赖于具有正态分布的数据，并使用概率来估计离群值。 用于统计分析的算法为和。