AMA4650 时间序列与预测:从平稳性、指数平滑到 ARIMA 与 GARCH
普通监督学习常把样本当作可以交换的独立观测;时间序列不能这样处理。昨天的信息会进入今天,趋势与季节性会让均值变化,金融数据还常出现波动聚集。预测的关键不是把曲线拟合得更复杂,而是把时间依赖写进模型,并用只来自过去的信息评价未来。
这篇文章按照 AMA4650 Forecasting and Applied Time Series Analysis 的主线,串联平稳性、趋势与季节性、指数平滑、ARMA/ARIMA、模型识别、预测区间和 GARCH。
