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 3：建立ARIMA模型

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 3：建立ARIMA模型	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 3：建立ARIMA模型

...全文

33 回复打赏收藏转发到动态举报

写回复

回复

切换为时间正序

请发表友善的回复…

发表回复

一阶差分后表现为平稳时间序列特征，从检验结果可以结论：该股票价格数据一阶差分后为白噪声序列。一、本例中选取2022.11.1-2.23.11.1股票600835的每日收盘价。从图中可以清楚的看到该股票全年的价格数据为非平稳带趋势的时间序列。三、对时间序列进行一阶差分分析，并进行统计分析。

深度学习与大数据预测方法关键词：深度学习，大数据预测，神经网络，RNN，CNN，图像预测，文本预测，多模态预测摘要：本文将详细介绍基于深度学习的大数据预测方法，从基础知识到实际应用，深入探讨深度

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。

https://github.com/OpenDocCN/freelearn-ds-pt4-zh/raw/master/docs/ts-anal-py-cb-2e/img/file0.png在第十章，使用统计方法构建单变量时间序列模型中，你学习了流行的预测技术，如指数平滑法、非季节性 ARIMA，和季节性 ARIMA。这些方法通常被称为经典的统计预测方法，具有快速、易实现和易解释的特点。在本章中，你将深入学习基于上一章基础的额外统计方法。本章将介绍一些可以自动化时间序列预测和模型优化的库——Facebook

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

近7日
近30日
至今

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