这是由美联储经济数据库（FRED）托管的美联储数据集。有关每个文件的更多详细信息，请参见各个文件的说明。 industrial-production-business-equipment_metadata.json industrial-production-consumer-goods_metadata.json industrial-production-durable-consumer-goods_metadata.json industrial-production-durable-goods-raw-steel_metadata.json industrial-production-durable-manufacturing-motor-vehicles-and-parts_metadata.json industrial-production-durable-materials_metadata.json industrial-production-electric-and-gas-utilities_metadata.json industrial-production-electric-and-gas-utilities_metadata_1.json industrial-production-final-products-and-nonindustrial-supplies_metadata.json industrial-production-final-products-market-group_metadata.json industrial-production-fuels_metadata.json industrial-production-manufacturing-naics_metadata.json industrial-production-manufacturing-naics_metadata_1.json industrial-production-manufacturing-sic_metadata.json industrial-production-materials_metadata.json industrial-production-mining_metadata.json industrial-production-mining-crude-oil_metadata.json industrial-production-nondurable-consumer-goods_metadata.json industrial-production-nondurable-materials_metadata.json industrial-production-residential-utilities_metadata.json industrial-production-total-index_metadata.json IPB50001N.csv IPB51222S.csv IPBUSEQ.csv IPCONGD.csv IPDCONGD.csv IPDMAT.csv IPFINAL.csv IPFPNSS.csv IPFUELS.csv IPG2211A2N.csv IPG3361T3S.csv IPG211111CN.csv IPGMFN.csv IPMAN.csv IPMANSICS.csv IPMAT.csv IPMINE.csv IPN3311A2RN.csv IPNCONGD.csv IPNMAT.csv IPUTIL.csv

通过基于Box-Jenkins方法的时间序列分析技术,对中国沪、深A股综合指数的2000-2009年月收盘数据序列进行建模分析,验证了沪、深A股综合指数月收盘数据的时间序列特性,研究并选择了这两个序列的最佳ARMA模型,本文也通过模型对2010年的综合指数进行了预测。模型实证分析的结果表明:在股市综合指数时间序列分析建模与预测方面,Box-Jenkins方法及其模型是一种精度较高且切实有效的方法模型。

ESN(回声状态网络)是一种新型的递归神经网络,可有效处理非线性系统辨识以及混沌时间序列预测问题.针对ESN学习算法中可能存在的解的奇异问题,利用岭回归方法代替原有的线性回归算法.通过贝叶斯或Bootstrap 方法确定岭回归方法中的正则项系数,从而有效地控制输出权值的幅值,改善ESN的预测性能.该方法在月太阳黑子预测问题中显示出较好的结果.

基于递归神经网络的自动编码器 PyTorch实现， 目录： 项目结构： 项目结构基于以下 ├── agents | └── rnn_autoencoder.py # the main training agent for the recurrent NN-based AE ├── graphs | └── models | | └── recurrent_autoencoder.py # recurrent NN-based AE model definition | └── losses | | └── MAELoss.py # contains the Mean Absolute Error (MAE) loss | | └── MSELoss.py # contains the Mean Squared Error (MSE) loss ├── datasets

摘要：本文在分析了神经网络、灰系统和时间序列预测模型的基础上,设计了将其中两种模型组合的预测方法。该方法的主要思想是利用回归预测思想将预测分为因素预测和结果预测两部分,并分别采用不同预测模型进行预测,从而达到提高预测精度的目的。利用该方法对吉林省近期的生猪价格进行预测,实验结果表明,该方法比单个预测方法有更好的预测效果,并且通过对不同组合的实验结果的分析发现,灰系统与神经网络相结合的方法具有更高的预测精度。

 

matlab导入excel代码压缩连续时间序列的因果发现 1.代码摘要 在数据目录中，我们提供了实验中使用的所有数据以及MATLAB Simulink的数据生成器来生成机电工程数据。 在cute.py中，提供了一些方法，可让我们的方法与其他方法进行比较。 在granger.py中，我们提供了Granger因果关系测试方法。 在Util.py中，我们提供了将在DISC和实验中使用的所有功能。 在Disc.py中，提供了DISC的核心方法。 synthesis_data_test.py和real_data_test.py分别提供了综合数据测试和实际数据测试结果。 2.时间复杂度 Composite_data_test.py time_window() time_weighted() time_weighted_window() 3.编码方法的验证 Composite_data_test.py test_causality_consistency() test_no_causality_consistency() 4.综合实验结果 4.1简单线性因果关系 Composite_data_tes

时间序列分析波动率模型.ppt

本书是普通高等教育“九五”国家重点教材，也是全国统计教材编审委员会“九五”本科规划教材。本书从应用的角度出发，试图借助计算机的存贮功能和计算功能来抽象掉其深奥的数学理论和复杂的运算，从而使只具一般数学知识的读者便可掌握和运用时间序列分析方法。在阐述中，尽可能回避严格的数学推导和证明，而从系统运动的惯性（即记忆法）加以解释和展开，或者说，本书把时序分析看作是一种统计分析工具，而不是数学的一个分支理论...

Eviews时间序列分析实例

非常经典的时间序列分析：预测与控制的第四版