五、GARCH(1,1)模型 2、GARCH(1,1) 的条件方差和无条件方差 条件方差是 ht ，通过对上式两边取期望可得无条件方差 1、大的 会紧跟着另一个大的 ，这样就会产生 在金融时间序列中有名的波动率聚类现象。

该软件包为时间序列数据提供了突变、季节性和趋势（称为 BEAST）的贝叶斯估计量。 BEAST 试图通过放弃“单一最佳模型”概念并通过贝叶斯模型平均方案将所有竞争模型纳入推理来改进时间序列分解。 它是一种灵活的工具，可以发现时间序列观测中的突然变化（即变化点）、周期性变化（例如季节性）和非线性趋势。 BEAST 不仅会告诉发生变化的时间，还会量化检测到的变化是真实的可能性。 它不仅检测分段线性趋势，而且检测任意非线性趋势。 有关BEAST的详细信息，请参见Zhao等人。 （2019）[Zhao，K.，Wulder，MA，Hu，T.，Bright，R.，Wu，Q.，Qin，H.，Li，Y.，Toman，E.，Mallick B.，Zhang，X ., & Brown, M. (2019)。 检测卫星时间序列数据中的变化点、趋势和季节性以跟踪突变和非线性动态：贝叶斯集成算法。 环境遥感，2

Time series analysis: forecasting and control 4th edition

时间序列模型 时间序列预测分析就是利用过去一段时间内某事件时间的特征来预测未来一段时间内该事件的特征。这是一类相对比较复杂的预测建模问题，和回归分析模型的预测不同，时间序列模型是依赖于事件发生的先后顺序的，同样大小的值改变顺序后输入模型产生的结果是不同的。 举个栗子：根据过去两年某股票的每天的股价数据推测之后一周的股价变化；根据过去2年某店铺每周想消费人数预测下周来店消费的人数等等 RNN 和 LSTM 模型 时间序列模型最常用最强大的的工具就是递归神经网络（recurrent neural network, RNN）。相比与普通神经网络的各计算结果之间相互独立的特点，RNN的每一次隐含层的计

基于LSTM递归神经网络的番茄目标产量时间序列预测.pdf

节点红色贡献流 节点用于从InfluxDB时间序列数据库写入和查询数据。 这些节点支持使用配置节点中的“版本”组合框选择的InfluxDB 1.x和InfluxDb 2.0数据库。 请参阅不同节点的文档，以了解不同版本提供的选项。 当前，该节点使用两个客户端库。 选择版本1.x时，这些节点将用于node.js，特别是调用writePoints（）和query（）方法。 目前，他们只能与一台influxdb主机通信。 这些节点用于在InfluxDB 1.x到1.8+中写入和查询数据。 选择版本1.8-flux时，节点将使用用于node.js的。 这些节点用于在InfluxDB 1.8+中使用Flux写入和查询数据。 选择2.0版时，节点将使用在InfluxDB 2.0中使用Flux写入和查询数据。 先决条件 要运行此程序，您需要访问InfluxDB数据库版本1.x，1.8 +或2.0

时间序列分析 何书元 北大，这个是非常好的时间序列的书

基于时间序列的股票价格预测及实证分析，刘倩，王晓天，本文对股票市场及股票预测机理与方法都做了有益的探索。在实证分析中，我们选取了白云机场近半年的股票价格作为样本，并且应用SAS

运维 一个Python软件包，用于根据时间序列数据构建和分析顺序分区网络。 依存关系： Python-iGraph（v。0.7.1或更高版本） Numpy（v。1.13.3或更高版本） Scipy（v。1.3.1或更高版本） Itertools 赛顿 安装： 将OPyN下载到您的目标目录。 运行python setup.py install 职能： perm_embedding(ts, dim, lag) 使用嵌入维dim和滞后lag在给定的时间序列（ ts ）上进行置换嵌入。 时间序列必须是dtype为“ double”的一维Numpy数组。 嵌入维度和滞后时间都必须是整数。 OPN(ts, dim, lag) 根据给定的时间序列，嵌入维数和滞后时间构造顺序分区网络。 返回G ，一个Python-iGraph网络以及嵌入式时间序列。 类型约束与置换嵌入函数中的相同。

堆叠ClockWork_RNN 对于时间序列，分为两个部分： 发条递归神经网络的部分自回归，每日时间序列。 刑罚数据部分的相关因素，每季度的时间序列。 用最小二乘法训练体重。 叠加，将两个预测与权重结合在一起。