分解数据： 时间序列稳定化 测试方法： 测试序列稳定性： 看以看到整体的序列并没有到达稳定性要求，要将时间序列转为平稳序列，有如下几种方法：DeflationbyCPI Logarithmic（取对数）

很好的描述了如何将人工智能之循环神经网络运用于金融之股票市场的预测，包括特征处理，标准化，结论，与传统机器学习的效果进行比较

奇异频谱分析 用于执行奇异频谱分析（SSA）的软件包 简单用法 下面的示例创建了一个具有两个强烈季节性成分的模拟信号。 主要输入函数是analyze(y,L) ，该函数返回趋势和季节成分。 y是要分解的信号， L是要用于内部嵌入的窗口长度。 using SingularSpectrumAnalysis, Plots # generate some data L = 20 # Window length K = 100 N = K * L; # number of datapoints t = 1 : N; # Time vector T = 20 ; # period of main oscillation y

向前多步预测： 事实上，因为 注意到， 所以T时向前k步预测为： 向前一步预测： 6、 GARCH(1,1) 模型的预测

时间序列分析（济科学译丛；“十一五”国家重点图书出版规划项目）（上下册） 丛 书 名济科学译丛 作 者：詹姆斯·D.汉密尔顿 出 版 社：中国人民大学出版社 出版时间：2015-1-1 ＩＳＢＮ：9787300202136 版 次：1 页 数：948页 字 数：1143 千字 印刷时间：2015-1-1 开 本：16开 纸 张：胶版纸 印 次：1 包 装：平装 定价：118.00元

时间序列分析—高阶统计量方法-张贤达，523页电子版，很好的参考资料

matlab自相关代码根赫斯特 赫斯特指数 计算时间序列的广义赫斯特指数。 Hurst指数给出的值指示时间序列的长期记忆，类似于自相关函数的衰减： 另请参见代码中的其他参考。 实施 此实现是由Tomaso Aste在2013年编写的以下Matlab代码从Matlab到Python（3.6）的大致文字转换： 如何使用代码 定义了一个函数mH = genhurst(S,q) ，其中S是要分析的时间序列， q是要使用的Hurst指数，得出数值（均值） mH 。

合流 适用于Python的时间序列实用程序库。 特征： 时间间隔均匀/不均匀的类 不等距时间序列的（） 将等距时间序列转换为数据集（） 时间序列的预测包装，例如keras（） 安装 要求： Python3.5+ 安装： git clone https://github.com/kweimann/conflux.git cd conflux pip install . 例子 插补 有关完整的示例，请参见examples/interpolation.py 。 # number of observations n = 25 # time interval i.e. first and last timestamp t0 , tn = [ 0 , 200 ] # function producing observation value from observation ti

千吨 某些与时间序列短期和长期预测有关的神经网络在keras中的实现。 主要思想是折叠时间序列数据集，以使同一列中的每一列具有多个“滞后”。 然后，我们使用滞后列来预测将来的列。 对于长期预测，我们将这些预测用作下一步的证据。 这旨在与我的高斯动态贝叶斯网络（ ）模型进行性能比较。 我想将我的GDBN模型与类似情况下的NN模型进行比较，并在此过程中创建一种“即插即用”的替代方案，以备将来需要时使用。 参考 延时神经网络： : 凯拉斯： ：//keras.io/

用R语言对平稳的时间序列进行分析和预测，采用的是ARMA方法