基于ARIMA模型和LSTM模型，提出一种高性能得时间序列预测算法

python的ARIMA预测，初学者安装好anaconda直接运行。

简介： 　　ARIMA模型：（英语：Autoregressive Integrated Moving Average model），差分整合移动平均自回归模型，又称整合移动平均自回归模型（移动也可称作滑动），是时间序列预测分析方法之一。AR是“自回归”，p为自回归项数；MA为“滑动平均”，q为滑动平均项数，d为使之成为平稳序列所做的差分次数（阶数）。 　　 　　由于毕业论文要涉及到时间序列的数据（商品的销量）进行建模与分析，主要是对时间序列的数据进行预测，在对数据进行简单的散点图观察时，发现数据具有季节性，也就是说：数据波动呈现着周期性，并且前面的数据会对后面的数据产生影响，这也符合商品的销量

做图表与股票市场 indeces。

ARMA模型和ARIMA模型收集.pdf

基于加权马尔可夫链修正的ARIMA 预测模型的研究.pdf

马尔科夫与ARIMA 组合模型对地区降雨量的预测研究.pdf

ARIMA模型的确认 d 的确定 ： 差分后检查自相关函数，确定序列是否平稳，直到平稳为止。 p、q 的确定：由自相关函数、偏自相关函数确定，或由AIC、SC准则确定。 若自回归过程的阶数为p，则对于j>p应有偏自相关函数αj≈ 0 若移动平均过程的阶数为q，则对于j>q应有自相关函数ρj≈ 0 AIC、SC准则: 选择使准则值达到最小的模型阶数。

今天小编就为大家分享一篇关于Python时间序列处理之ARIMA模型的使用讲解，小编觉得内容挺不错的，现在分享给大家，具有很好的参考价值，需要的朋友一起跟随小编来看看吧

arima的matlab代码金融知识库中的深度学习 该存储库包含用于开发 Sonam Srivastava 在新加坡 RE-WORK Deep Learning in Finance Conference 上发表的演讲标题“金融中的深度学习”的材料的代码。 相同的链接是： 主要做了两个研究： 回报预测 - 使用 ARIMA、VAR、SVR、深度回归、CNN 和 LSTM 进行黄金价格预测并比较结果。 投资组合构建 - 基于智能索引的投资组合构建练习使用深度神经网络和基于