pyts：用于时间序列分类的Python包 pyts是用于时间序列分类的Python软件包。 它旨在通过提供预处理和实用工具以及最新算法的实现，使时间序列分类易于访问。 这些算法大多数都会转换时间序列，因此pyts提供了多种工具来执行这些转换。 安装 依存关系 pyts要求： Python（> = 3.6） NumPy（> = 1.17.5） SciPy（> = 1.3.0） Scikit-Learn（> = 0.22.1） Joblib（> = 0.12） Numba（> = 0.48.0） 要运行示例，需要Matplotlib（> = 2.0.0）。 用户安装 如果您已经可以正常安装numpy，scipy，scikit-learn，joblib和numba，则可以使用pip轻松安装pyts。 pip install pyts 或conda经由conda-forge通道 conda install -c conda-forge pyts 您还可以通过克隆存储库来获取最新版本的pyts git clone https://github.com/johannfaouzi

异常检测 使用自动编码器的单变量时间序列异常检测教程 自动编码器在德累斯顿的杜托·阿诺玛利检测站

TSMOM 时间序列动量策略 在该项目中，实施了各种时间序列动量策略。 然后，使用来自期货合约的历史数据来分析基于这些策略的投资组合的绩效特征（例如回报，波动率，周转率，交易成本等）。 以下图是使用pyfolio（ ）生成的

二、F检验定阶法 1.基本思想（以一般情形和ARMA(p,q)模型为例） 先对数据拟合ARMA(p,q)模型(假设不含常数项)，设其残差平方和为Q0，再对数据拟合 较低阶的模型ARMA(p-m,q-s)，设其残差平方和为Q1。 建立原假设H0： 返回本节首页 下一页 上一页

零售需求预测 一家英国在线零售商的在线数据集的数据探索和预测。 包含大约12/2009-12/2011期间的发票数据。 数据探索 初始数据分析考虑了每日，每周和每月的销售量，同时还考虑了数据集的VWAP（体积加权平ASP格）。 最后，考虑了基于客户ID，国家/地区和产品类型的潜在影响者。 时间序列分析 每周和每月数据都适合一系列不同的预测模型。 解释12月季节性高峰的SARIMA模型具有最佳拟合和最合乎逻辑的预测：

ecmwf_models 读取器和转换器，用于。 用Python编写。 与结合使用效果。 引文 如果您在出版物中使用该软件，请使用Zenodo DOI将其引用。 请注意，此徽章链接到最新的软件包版本。 请在选择您的特定版本，以获取该版本的DOI。 通常，在引用中，应始终将DOI用于记录的特定版本。 这是为了确保其他研究人员可以访问您用于重现性的确切研究伪像。 您可以在找到有关DOI版本控制的其他信息。 安装 通过conda安装所需的C库。 对于安装，我们建议使用 。 因此，请按照官方安装说明进行安装。 一旦在外壳中包含conda命令，您就可以继续： conda install -c conda-forge pandas pygrib netcdf4 scipy pyresample xarray 以下命令将下载并安装所有需要的pip软件包以及ecmwf-model软件包本身。

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