Python 中的时间序列分析

Python中的时间序列分析：理论，建模：AR到SARIMAX，向量模型，GARCH，自动ARIMA，预测

讲师：365 Careers

---

你将学到什么

• 区分时间序列数据与横截面数据。
• 理解时间序列数据的基本假设以及如何利用这些假设。
• 将一个数据集转换为时间序列。
• 开始使用 Python 编程，并学习如何用它来进行统计分析。
• 基于特定数据进行时间序列分析，并解释分析结果。
• 考察相关序列（如价格和收益率）之间的关键差异。
• 理解在比较不同时间序列时对数据进行标准化的必要性。
• 遇到特殊类型的时间序列，如白噪声和随机游走。
• 了解“自相关”以及如何考虑它。
• 学习如何通过移动平均来应对“意外冲击”。
• 讨论时间序列模型选择以及残差在其中的作用。
• 理解平稳性及其存在的检验方法。
• 认可集成的概念，并理解何时、为何以及如何正确使用它。
• 认识到波动性的重要性以及如何衡量它。
• 基于过去观察到的模式预测未来。

课程要求

• 无需任何时间序列相关经验。
• 你需要安装 Anaconda。我们会一步步教你如何完成。
• 具备一定的编程语言基础是推荐的，但不是必须的。

课程描述

商业银行是如何预测其贷款组合的预期表现的？

或者投资经理是如何估计股票组合的风险的？

用于预测房地产的定量方法是什么？

如果你发现时间依赖性，那么你就知道答案了：时间序列分析。

本课程将教你实用技能，这些技能将有助于你获得定量金融分析师、数据分析师或数据科学家的工作。

无需多久，你就能掌握能够直接应用于实际的复杂时间序列分析基础知识。我们创建了一门不仅经得起时间考验，而且：

· 易于理解

· 内容全面

· 实用性强

· 简洁明了

· 涵盖大量练习和资料

但我们知道这可能还不够。

我们会使用当前最流行的编程语言 Python 来实现最突出的时间序列分析工具。基于此，我们有：

欢迎参加 Python 时间序列分析课程！

在进行在线课程时，最大的问题是“你能期待什么”。我们确保你获得所有你需要的资源，以熟练掌握时间序列分析。

我们首先探索基础的时间序列理论，以帮助你理解后续的建模过程。

在课程进行过程中，我们将使用多个 Python 库，为你提供完整的学习体验。我们将使用 pandas 中强大的时间序列功能，以及其他基本库如 NumPy、matplotlib、StatsModels、yfinance、ARCH 和 pmdarima。

通过这些工具，我们将掌握目前最广泛使用的时间序列模型：

· AR（自回归模型）

· MA（移动平均模型）

· ARMA（自回归-移动平均模型）

· ARIMA（自回归集成移动平均模型）

· ARIMAX（带外生变量的自回归集成移动平均模型）

· SARIA（季节性自回归移动平均模型）

· SARIMA（季节性自回归集成移动平均模型）

· SARIMAX（带外生变量的季节性自回归集成移动平均模型）

· ARCH（自回归条件异方差模型）

· GARCH（广义自回归条件异方差模型）

· VARMA（向量自回归移动平均模型）

我们知道，时间序列一直是那些让人产生疑问的课题之一。

直到现在。

本课程正是你需要掌握时间序列分析的良药。不仅如此，你还将获得大量补充材料——包括笔记本文件、课程笔记、测验问题和大量练习——一切内容都包含在内。

你将获得什么？

· 活跃的问答支持

· 补充材料——笔记本文件、课程笔记、测验问题和练习

· 所有必要知识，以在时间序列分析领域获得工作

· 一个数据科学爱好者的社群

· 完成课程的认证证书

· 未来更新的访问权限

· 解决真实业务案例，助你顺利就业

我们自豪地提供 30 天无条件退款保证。对你来说毫无风险。课程内容出色，对我们而言这显然是一门值得推荐的课程，因为我们确信你会喜欢它。

为什么还要等待？每一天都是一次错失的机会。

点击“立即购买”按钮，从今天开始掌握 Python 时间序列分析。

适合人群：

• 有志成为数据科学家的人。
• 编程入门者。
• 对量化金融感兴趣的人。
• 希望在金融领域专精的程序员。
• 金融专业毕业生和从业者，希望更好地将知识应用于 Python。