分类
外匯交易

介绍时间序列数据和常见的金融分析方法

Mengchen YANG, Xudong CHEN, Peng CAI, Lyu NI*()

Tag Archives: 介绍时间序列数据和常见的金融分析方法 时间序列

Eviews用向量自回归模型VAR实证分析公路交通通车里程与经济发展GDP协整关系时间序列数据和脉冲响应可视化

R语言广义矩量法GMM和广义经验似然GEL估计ARMA、CAPM模型分析股票收益时间序列

R语言用logistic逻辑回归和AFRIMA、ARIMA时间序列模型预测世界人口

Python用ARIMA ,ARIMAX预测商店商品销售需求时间序列数据

Matlab随机波动率SV、GARCH用MCMC马尔可夫链蒙特卡罗方法分析汇率时间序列

Matlab用深度学习循环神经网络RNN长短期记忆LSTM进行波形时间序列数据预测

此示例说明如何使用长短期记忆 (LSTM) 网络预测时间序列

Matlab用向量误差修正VECM模型蒙特卡洛Monte Carlo预测债券利率时间序列和MMSE 预测

此示例说明如何从 VEC( q ) 模型生成 Monte Carlo 预测。

R语言和Python对copula模型Gaussian、t、Clayton 和Gumbel族可视化理论概念和文献计量使用情况

本文包含一些直观的示例来说明 copula 理论的核心概念。

Python用KShape对时间序列进行聚类和肘方法确定最优聚类数k可视化

Python用RNN循环神经网络:LSTM长期记忆、GRU门循环单元、回归和ARIMA对COVID-19新冠疫情新增人数时间序列预测

R语言用GARCH模型波动率建模和预测、回测风险价值 (VaR)分析股市收益率时间序列

风险价值 (VaR) 是金融风险管理中使用最广泛的市场风险度量,也被投资组合经理等从业者用来解释未来市场风险。

R语言隐马尔可夫模型HMM连续序列重要性重抽样CSIR估计随机波动率模型SV分析股票收益率时间序列

在本笔记本中,我们向读者介绍了基本的随机波动率模型,并通过连续顺序重要性重采样讨论了它们的估计。我们使用收益率数据集来讨论 CSIR 在随机波动率模型估计中的实现和性能。

Python TensorFlow循环神经网络RNN-LSTM神经网络预测股票市场价格时间序列和MSE评估准确性

该项目包括:自 2000 年 1 月以来的股票价格数据。我们使用的是 Microsoft 股票。

Python用Keras的LSTM神经网络进行时间序列预测天然气价格例

MATLAB用深度学习长短期记忆 (LSTM) 神经网络对智能手机传感器时间序列数据进行分类

此示例说明如何使用长短期记忆 (LSTM) 网络对序列数据的每个时间步长进行分类。

R语言广义线性模型GLM:线性最小二乘、对数变换、泊松、二项式逻辑回归分析冰淇淋销售时间序列数据和模拟

R语言单变量和多变量(多元)动态条件相关系数DCC-GARCH模型分析股票收益率金融时间序列数据波动率

R语言和Python用泊松过程扩展:霍克斯过程Hawkes Processes分析比特币交易数据订单到达自激过程时间序列

R语言指数加权模型EWMA预测股市多变量波动率时间序列

R语言ARMA GARCH COPULA模型拟合股票收益率时间序列和模拟可视化

WeChat Tencent QQ email print 由Kaizong Ye,Liao Bao撰写 &n

R语言向量自回归VAR的迭代多元预测估计 GDP 增长率时间序列

R语言多变量广义正交GARCH(GO-GARCH)模型对股市高维波动率时间序列拟合预测

R语言GJR-GARCH和GARCH波动率预测普尔指数时间序列和Mincer Zarnowitz回归、DM检验、JB检验

R语言分位数自回归QAR分析痛苦指数:失业率与通货膨胀率时间序列

python深度学习实现自编码器Autoencoder神经网络异常检测心电图ECG时间序列

R语言极值分析:分块极大值Block-maxima、阈值超额法threshold excess、广义帕累托分布GPD拟合降雨数据时间序列

R语言ARIMA、ARIMAX、 动态回归和OLS 回归预测多元时间序列

当ARIMA模型包括其它时间序列作为输入变量时,被称为传递函数模型(transfer function model)、多变量时间序列模型(multivariate time series model)、ARIMAX模型或Box-Tiao模型。

介绍时间序列数据和常见的金融分析方法

CFA二级数量主要涉及以下几个部分:

金融科技(Fintech)

相关性分析以及回归分析

建立回归模型

时间序列模型

重难点

与CFA一级数量的联系与区别

↓↓↓ 扫描二维码添加泽稷老师微信号,解读CFA®考试政策变动,海量 CFA®学习资料免费领取 , 提供在线解答CFA®学习疑惑。

中国综合性科技类核心期刊(北大核心)
中国科学引文数据库来源期刊(CSCD)
美国《化学文摘》(CA)收录
美国《数学评论》(MR)收录
俄罗斯《文摘杂志》收录

早期时间序列分类方法研究综述

杨梦晨, 陈旭栋, 蔡鹏, 倪葎*()

  1. 华东师范大学 数据科学与工程学院, 上海 200062
  • 收稿日期: 2021-08-03 出版日期: 2021-09-25 发布日期: 2021-09-28
  • 通讯作者: 倪葎 E-mail:[email protected]

Survey of early time series classification methods

Mengchen YANG, Xudong CHEN, Peng CAI, Lyu NI*()

  1. School of Data Science and Engineering, East China Normal University, Shanghai 200062, China
  • Received: 2021-08-03 Online: 2021-09-25 Published: 2021-09-28
  • Contact: Lyu NI E-mail:[email protected]

RichHTML

摘要/Abstract

摘要:

传感器技术的普及使得时间序列数据受到人们越来越多的关注. 早期时间序列分类(Early Time Series Classification, ETSC)希望通过观测尽可能短的时序数据而对其做出尽可能准确的分类, 介绍时间序列数据和常见的金融分析方法 已在科技金融领域发挥着重要的作用. 首先概述了常见的时间序列分类器, 并综述了基于最小预测长度、基于最大区分子序列和基于模型的3类早期时间序列分类框架的最新研究进展. 然后在每类方法中, 分析了具有代表性的早期时间序列分类模型的关键技术及其优缺点; 介绍时间序列数据和常见的金融分析方法 介绍时间序列数据和常见的金融分析方法 整理了科技金融领域的公开数据集和常见的评价指标. 最后对未来的发展趋势做了展望.

中图分类号:

杨梦晨, 陈旭栋, 蔡鹏, 倪葎. 早期时间序列分类方法研究综述[J]. 华东师范大学学报(自然科学版), 2021, 2021(5): 115-133.

Mengchen YANG, Xudong CHEN, Peng CAI, Lyu NI. Survey of early time series classification methods[J]. Journal of East China Normal University(Natural Science), 2021, 2021(5): 115-133.

介绍时间序列数据和常见的金融分析方法

Enter the password to open this PDF file:

相关文档 更多>

添加图片(选填) 0/9

反馈结果请前往 MBA智库App 查看
(我的 > 帮助与反馈 > 我的反馈)

©2022 MBAlib.com, All rights reserved.