极简R数据分析与可视化实战训练营：进阶实战
看漫画学Python进阶实战
AI办公新动能：DeepSeek智能应用案例实战指南
AI量化之道：DeepSeek+Python让量化交易插上翅膀

...

11.4 案例4：基于ARIMA模型的中国石油股票收盘价预测【动手实践】步骤 4：模型评估与可视化

码农老关【关东升】 2025-01-16 10:43:02

课时名称	课时知识点
11.4 案例4：基于ARIMA模型的中国石油股票收盘价预测【动手实践】步骤 4：模型评估与可视化	案例4：基于ARIMA模型的中国石油股票收盘价预测【动手实践】步骤 4：模型评估与可视化

...全文

给本帖投票

33 回复打赏收藏转发到动态举报

写回复

11.4 案例4：基于ARIMA模型的中国石油股票收盘价预测【动手实践】步骤 5：预测与保存结果>>

回复

切换为时间正序

请发表友善的回复…

发表回复

在第 10 章使用统计方法构建单变量时间序列模型》中，您已经学习了指数平滑法、非季节性 ARIMA和季节性 ARIMA等流行的预测技术。这些通常被称为经典统计预测方法，具有快速、易于实现和解释性强的特点。本章将深入介绍基于前一章知识基础的更多统计方法。您将了解几个能自动化时间序列预测和模型优化的库——Facebook（Meta）的Prophet库。此外，您还将探索用于处理多元时间序列的类，以及支持对金融数据波动性进行建模的arch库。本章的主要目标是让您熟悉。

波动性建模和预测近年来受到了广泛关注，主要因为它们在金融市场中的重要性。本章介绍了 GARCH 模型（包括单变量和多变量模型）在波动性预测中的实际应用。通过了解如何使用 GARCH 类模型进行波动性建模，我们可以用更准确的波动性预测来替代许多实际应用中的简单估计，例如风险管理、波动性交易和衍生品估值。我们重点介绍了 GARCH 模型，因为它能够捕捉波动性聚集现象。然而，波动性建模还有其他方法。例如，状态切换模型假设数据中存在某些重复的模式（状态）。

在本章中，我们讨论了如何使用时间序列的概率模型帮助我们在金融预测的背景下做出带有不确定性估计的决策。这些预测驱动着财务规划的商业决策。我已经介绍了 Prophet、马尔可夫模型和模糊时间序列模型。我们讨论了 Facebook 的 Prophet 模型的组成部分。对于马尔可夫模型，我们讨论了主要的概念，如马尔可夫性质，并详细讨论了转换模型。接着，我解释了模糊集合理论的一些基础知识以及它如何应用于时间序列。最后，我们深入探讨了 BSTS 模型的直觉以及在实验中估计处理效应的一些理论。

在本章中，我们深入探讨了缺失值和异常值的处理。我们理解了缺失值如何扭曲我们的分析，并学习了从简单的均值插补到先进的基于机器学习的插补技术等多种插补方法。同样，我们认识到异常值可能会偏移我们的结果，并深入研究了在单变量和多变量背景下检测和管理异常值的方法。通过结合理论和实践示例，我们对确保数据质量和可靠性的考虑、挑战及策略有了更深入的理解。拥有这些见解后，我们现在可以进入下一章，讨论特征的缩放、归一化和标准化。

原文：`annas-archive.org/md5/2ebe092c37fd33d3631fbd6110cc696d 译者：飞龙协议：CC BY-NC-SA 4.0 序言对《金融机器学习进展》的赞誉在他的新书《金融机器学习进展》中，著名金融学者马尔科斯·洛佩斯·德·普拉多对当前金融界普遍存在的天真且通常统计过拟合的技术进行了精准的抨击。他指出，传统的业务方式在当今高科技金融领域几乎无能为力，而且在许多情况下，实际上更容易亏损。但洛佩斯·德·普拉多不仅仅是揭露金融世界的数学和统计错误。相反，他为

关东升的课程社区_NO_5

1

社区成员

635

社区内容

发帖

与我相关

我的任务

社区管理员

加入社区

加载中

查看更多榜单

社区公告

暂无公告

试试用AI创作助手写篇文章吧

+ 用AI写文章