时间序列回归的经典方法是:
自回归模型(有关于它们的全部文献)
高斯过程
傅立叶分解或类似提取信号的周期分量(即数据中的隐藏振荡)
我所知道的其他不太常见的方法是
慢特征分析,一种提取时间序列驱动力的算法,例如混沌信号背后的参数
神经网络(NN)方法,使用经常性NN(即,构建为处理时间信号)或经典前馈NN,其接收过去数据的输入部分并尝试预测未来的点; 后者的优点是已知复发的NN在考虑到遥远的过去时存在问题
在我看来,对于财务数据分析而言,重要的是不仅要获得时间序列的最佳猜测推断,而且要获得可靠的置信区间,因为由此产生的投资策略可能会有很大不同.概率方法,如高斯过程,为您提供"免费",因为它们返回可能的未来值的概率分布.使用经典的统计方法,您将不得不依赖自举技术.
有许多Python库提供统计和机器学习工具,以下是我最熟悉的:
NumPy和SciPy是Python中科学编程的必备条件
R有一个Python接口,称为RPy
statsmodel包含经典的统计模型技术,包括自回归模型; 它与Pandas(一种流行的数据分析软件包)配合得很好
scikits.learn,MDP,MLPy,Orange是机器学习算法的集合
PyMC一个python模块,实现贝叶斯统计模型和拟合算法,包括马尔可夫链蒙特卡罗.
PyBrain包含(除其他外)前馈和递归神经网络的实现
在Gaussian Process网站上有一个GP软件列表,包括两个Python实现
mloss是开源机器学习软件的目录
Rob Hyndman.. 5
我不知道python库,但R中有很好的预测算法是开源的.有关时间序列预测的代码和参考,请参阅预测包.
时间序列回归的经典方法是:
自回归模型(有关于它们的全部文献)
高斯过程
傅立叶分解或类似提取信号的周期分量(即数据中的隐藏振荡)
我所知道的其他不太常见的方法是
慢特征分析,一种提取时间序列驱动力的算法,例如混沌信号背后的参数
神经网络(NN)方法,使用经常性NN(即,构建为处理时间信号)或经典前馈NN,其接收过去数据的输入部分并尝试预测未来的点; 后者的优点是已知复发的NN在考虑到遥远的过去时存在问题
在我看来,对于财务数据分析而言,重要的是不仅要获得时间序列的最佳猜测推断,而且要获得可靠的置信区间,因为由此产生的投资策略可能会有很大不同.概率方法,如高斯过程,为您提供"免费",因为它们返回可能的未来值的概率分布.使用经典的统计方法,您将不得不依赖自举技术.
有许多Python库提供统计和机器学习工具,以下是我最熟悉的:
NumPy和SciPy是Python中科学编程的必备条件
R有一个Python接口,称为RPy
statsmodel包含经典的统计模型技术,包括自回归模型; 它与Pandas(一种流行的数据分析软件包)配合得很好
scikits.learn,MDP,MLPy,Orange是机器学习算法的集合
PyMC一个python模块,实现贝叶斯统计模型和拟合算法,包括马尔可夫链蒙特卡罗.
PyBrain包含(除其他外)前馈和递归神经网络的实现
在Gaussian Process网站上有一个GP软件列表,包括两个Python实现
mloss是开源机器学习软件的目录
我不知道python库,但R中有很好的预测算法是开源的.有关时间序列预测的代码和参考,请参阅预测包.
京公网安备 11010802040832号 | 京ICP备19059560号-6 