新書推薦：
《
给好奇者的黑洞简史
》
售價：HK$
67.9
《
债务机器：美国的银行政策与个人陷阱
》
售價：HK$
79.4
《
朝鲜半岛古代史研究
》
售價：HK$
182.6
《
钱穆：国史新论
》
售價：HK$
78.2
《
洪武元年：大明开国的罪与罚
》
售價：HK$
66.7
《
大学问·从东方到中亚——19世纪的英俄“冷战”（1821—1907）
》
售價：HK$
90.9
《
郭建龙密码三部曲（套装：财政密码+哲学密码+军事密码）
》
售價：HK$
326.6
《
元宴
》
售價：HK$
216.2
|
| 編輯推薦： |
|
一本借助Python软件学习和实践时间序列分析的教材
|
| 內容簡介： |
|
本书在借鉴国内外相关教材优点的基础上， 总结作者多年讲授时间序列分析课程的教学经验和体会， 本着“教师好用、学生好读”的指导思想， 系统地介绍了一元时间序列分析的基本思想、基本原理和基本方法， 内容包括时间序列的基本概念、时间序列数据的预处理方式、分解和平滑、趋势的消除、单位根检验和协整、平稳时间序列模型、非平稳时间序列模型、残差自回归模型、季节模型、异方差时间序列模型、谱分析、基于深度学习的时间序列预测以及上述模型的性质、建模、预测， 此外还包含了大量的实例. 本书全程使用 Python语言分析了来自不同学科的真实数据.
|
| 關於作者： |
|
白晓东，博士学位，教授。大连民族大学理学院。从事教学工作20几年，本科是基础数学专业、硕士是概率论与数理统计专业，博士是金融数学与保险精算专业，主持或参加过多项省部级以上科研项目和教改项目，发表过近20篇学术论文，5521人才工程第二层次。
|
| 目錄：
|
第 1 章 引言及基础知识 1
1.1 引言 1
1.1.1 时间序列的定义 1
1.1.2 时间序列的分类 6
1.1.3 时间序列分析的方法回顾 6
1.2 基本概念 8
1.2.1 时间序列与随机过程 8
1.2.2 概率分布族及其特征 8
1.2.3 平稳时间序列的定义 10
1.2.4 平稳时间序列的一些性质 11
1.2.5 平稳性假设的意义 12
1.3 时间序列建模的基本步骤 14
1.3.1 模型识别 14
1.3.2 模型估计 15
1.3.3 模型检验 15
1.3.4 模型应用 16
1.4 数据预处理 16
1.4.1 时序图与自相关图的绘制 16
1.4.2 数据平稳性的图检验 21
1.4.3 数据的纯随机性检验 24
习题 1 28
第 2 章 平稳时间序列模型及其性质 31
2.1 差分方程和滞后算子 31
2.1.1 差分运算与滞后算子 31
2.1.2 线性差分方程 32
2.2 自回归模型的概念和性质 34
2.2.1 自回归模型的定义 34
2.2.2 稳定性与平稳性 38
2.2.3 平稳自回归模型的统计性质 41
2.3 移动平均模型的概念和性质 50
2.3.1 移动平均模型的定义 50
2.3.2 移动平均模型的统计性质 50
2.4 自回归移动平均模型的概念和性质 55
2.4.1 自回归移动平均模型的定义 55
2.4.2 平稳性与可逆性 56
2.4.3 Green 函数与逆函数 56
2.4.4 ARMA(p， q) 模型的统计性质 57
习题 2 59
第 3 章 平稳时间序列的建模和预测 61
3.1 自回归移动平均模型的识别 61
3.1.1 自相关函数和偏自相关函数的估计 61
3.1.2 模型识别的方法 62
3.2 参数估计 68
3.2.1 矩估计法 68
3.2.2 最小二乘估计 72
3.2.3 极大似然估计 74
3.2.4 应用举例 75
3.3 模型的检验与优化 77
3.3.1 残差的检验 78
3.3.2 过度拟合检验 79
3.3.3 模型优化 80
3.4 序列的预测 84
3.4.1 预测准则 84
3.4.2 自回归移动平均模型的预测 87
习题 3 92
第 4 章 数据的分解和平滑 95
4.1 序列分解原理 95
4.1.1 平稳序列的 Wold 分解 95
4.1.2 一般序列的 Cramer 分解 96
4.1.3 数据分解的形式 97
4.2 趋势拟合法 99
4.2.1 线性拟合 99
4.2.2 由线拟合 101
4.3 移动平均法 103
4.3.1 中心化移动平均法 103
4.3.2 简单移动平均法 104
4.3.3 二次移动平均法 106
4.4 指数平滑方法 108
4.4.1 简单指数平滑方法 108
4.4.2 Holt 线性指数平滑方法 110
4.4.3 Holt-Winters 指数平滑方法 112
4.5 季节效应分析 115
习题 4 117
第 5 章 非平稳时间序列模型 119
5.1 非平稳序列的概念 119
5.1.1 非平稳序列的定义 119
5.1.2 确定性趋势 120
5.1.3 随机性趋势 120
5.2 趋势的消除 121
5.2.1 差分运算的本质 121
5.2.2 趋势信息的提取 122
5.2.3 过差分现象 125
5.3 求和自回归移动平均模型 127
5.3.1 求和自回归移动平均模型的定义 127
5.3.2 求和自回归移动平均模型的性质 128
5.3.3 求和自回归移动平均模型建模 129
5.3.4 求和自回归移动平均模型的预测理论 135
5.4 残差自回归模型 137
5.4.1 残差自回归模型的概念 137
5.4.2 残差的自相关检验 138
5.4.3 残差自回归模型建模 140
习题 5 144
第 6 章 季节模型 146
6.1 简单季节自回归移动平均模型 146
6.1.1 季节移动平均模型 146
6.1.2 季节自回归模型 147
6.2 乘积季节自回归移动平均模型 148
6.3 季节求和自回归移动平均模型 149
6.3.1 乘积季节求和自回归移动平均模型 149
6.3.2 乘积季节求和自回归移动平均模型的建模 150
6.4 季节求和自回归移动平均模型的预测 155
习题 6 158
第 7 章 单位根检验和协整 160
7.1 伪回归 160
7.1.1 “伪回归” 现象 160
7.1.2 非平稳对回归的影响 161
7.2 单位根检验 162
7.2.1 理论基础 162
7.2.2 DF 检验 164
7.2.3 ADF 检验 165
7.2.4 KPSS 单位根检验 168
7.3 协整 171
7.3.1 协整的概念 171
7.3.2 协整检验 173
7.4 误差修正模型 176
习题 7 177
第 8 章 异方差时间序列模型 180
8.1 简单异方差模型 180
8.1.1 异方差的现象 180
8.1.2 方差齐性变换 182
8.2 自回归条件异方差模型 185
8.2.1 自回归条件异方差模型的概念 185
8.2.2 自回归条件异方差模型的估计 186
8.2.3 自回归条件异方差模型的检验 187
8.3 广义自回归条件异方差模型 191
习题 8 197
第 9 章 普分析 200
9.1 谱分析大意 200
9.2 谱密度 203
9.2.1 谱表示 204
9.2.2 谱密度 204
9.3 谱密度估计 210
9.3.1 谱密度的周期图估计 210
9.3.2 谱密度的非参数估计 212
9.3.3 谱密度的参数估计 220
9.4 案例分析 221
习题 9 224
第 10 章 基于深度学习的时间序列预测 226
10.1 基于多层感l机的时间序列预测 226
10.1.1 多层感l机概述 226
10.1.2 多层感l机的训练 227
10.1.3 案例分析 230
10.2 基于循环神经网络的时间序列预测 239
10.2.1 循环神经网络的概念 239
10.2.2 循环神经网络的训练 241
10.2.3 长期相依问题 242
10.2.4 案例分析 245
10.3 基于卷积神经网络的时间序列预测 248
10.3.1 二维卷积与一维卷积 248
10.3.2 案例分析 252
习题 10 253
附录 Python 入门 255
1 Python 简介 255
2 Anaconda 环境搭建及界面介绍 255
2.1 Anaconda 的安装 255
2.2 环境管理 257
2.3 Jupyter Notebook 界面与使用简介 259
3 Python 基础 261
3.1 数据的读写 261
3.2 编程基础 263
4 几个模块入门 269
4.1 Numpy 269
4.2 Pandas 273
4.3 Matplotlib 275
参考文献 278
|
| 內容試閱：
|
时间序列分析是一种处理动态数据的统计方法. 它是基于随机过程理论和数理统计方法 而发展起来的， 是寻找动态数据的变化特征， 挖掘隐含信息， 建立拟合模型， 进而预测数据未 来发展的有力统计工具， 它广泛应用于经济、金融、气象、天文、物理、化学、生物、医学、质 量控制等社会科学、自然科学和生产实践的诸多领域，己经成为许多行业常用的统计方法.
目前， 国内外有关时间序列分析的教材己有很多， 其中一些偏重于理论的讲述， 需要读者 具备比较深厚的概率论与数理统计基础， 主要阅读对象是精英型的统计学专业的学生; 另一 些则侧重于模型的应用， 不关注理论和技术细节的推导， 主要阅读对象是经管类专业的学生. 随着我国招生制度的变化和大数据产业的飞速发展， 大部分高校的统计学及其相关专业的培 养目标逐步转为复合应用型人才的培养， 强调培养具有数据分析能力的人才的重要性. 显然 那些过于偏重理论讲述和过于偏重模型应用的教材不能适应这一变化.
为适应培养要求的转变， 满足更多专业学生的学习需求， 本书在借鉴国内外相关优秀教 材的基础上， 着重突出三个特色. 第一是以精简、易懂、深入浅出的方式讲清楚基本概念、基 本理论和推导技1j， 着重阐释统计思想和数据处理方法. 同时， 加强实用性， 通过大量实例， 一 方面使得学习者深刻认识时间序列的基本概念、常用性质和基本理论; 另一方面也使得他们 尽快掌握时间序列数据分析的基本技能. 第二是本书全程使用 Python 语言进行实例分析， 并 且提供全部代码. Python 是一个结合了解释性、编译性、互动性和面向对象的高级程序设计 语言. 它以“优雅、明确、简单”为设计哲学， 用它编写的程序简单易懂、易于维护， 具有很强 的亲和力， 它免费开源， 具有很强的移植性、扩展性和嵌入性， 能够在各平台上顺利工作. 此 外， Python 拥有丰富的数据分析库， 可适用于各种数据问题的处理， 大大节省了编写底层代 码的时间. 尽管与 R 语言相比， Python 的统计模型没有那么多， 而且语法习惯相对不一致， 但是从其基本语法所产生的成千上万的模块使得它几乎可以做任何想做的事情. 因此， 近些 年 Python 积累了大量的用户， 并己逐渐成为数据科学领域使用最广泛的语言之一. 第三是本 书所使用的数据绝大多数是真实数据. 这些数据都可以在国家统计局网站、中国气象数据网 等网站下载. 通过对真实数据的分析， 学习者更能体会到基本理论、数据分析技能和数据分析 经验相结合的重要性. 同时， 也给初学者提供了大量免费获取数据资源和练习的机会. 读者可 在各章节相应的地方扫二维码获取这些数据资源.
本书以时间序列分析的理论和实例相结合的方式， 有侧重地介绍了以下内容. 第1章概述时间序列的发展历程、时间序列的一些基本概念、数据建模的基本步骤和时间序列数据的预处理. 第 2 章和第 3 章分别介绍平稳时间序列模型的概念、性质、建模和预测方法.
. II . 基于 Python 的时间序列分析
第 4 章介绍时间序列数据分解的思想以及常用的数据平泪方法. 第 5 章介绍非平稳时间序列 模型的概念、趋势的消除、ARIMA 模型的概念、性质、建模方法以及预测， 最后简单讨论了 残差自回归模型. 第 6 章介绍几类常见的季节模型以及它们的建模和预测方法. 第 7 章讨 论“伪回归”现象、单位根检验和协整. 第 8 章主要讲述 ARCH 模型和 GARCH 模型的概 念、估计和检验. 第 9 章介绍时间序列谱分析的一些基本知识， 包括谱表示、谱密度及其估 计. 第 10 章简要地介绍三种基于深度学习的时间序列预测方法， 主要包括基于多层感知机、 循环神经网络和卷积神经网络的预测. 此外， 本书还配备了一定数量的习题. 目的是希望通过 这些习题的演练， 使读者尽快掌握相应章节的基本理论和方法.
本书主要用作高等院校统计、经济、商科、工程以及定量社会科学等相关专业的高年级 本科生学习时间序列分析的教材或教学参考书， 也可作为硕士研究生使用 Python 语言学习 时间序列分析的入门书，还可供相关技术人员进行时间序列数据处理时参考.
本书在写作过程中参考了国内外许多优秀的教材和论著， 在此向这些教材或著作的作者 表示感谢和敬意. 本书能够及时出版， 还要感谢清华大学出版社刘颖编审的大力支持和帮助. 本书内容在大连民族大学统计学专业讲授多次， 感谢同学们对课程内容的浓厚兴趣和热烈讨 论， 同时纠正了一些打印错误.
白晓东
2022 年 3 月
|
|
購物車/收銀台(
0
) | 在線留言板
| 付款方式
| 運費計算
| 聯絡我們
| 幫助中心 |
加入書簽
HOME
新書上架
