应用时间序列分析：基于R和Python
定价：￥99.00
作者： 吴喜之，刘苗
出版时间：2025-12-23
出版社：机械工业出版社
- 机械工业出版社
- 9787111791188
- 1-1
- 565911
- 平装
- 2025-12-23
- 460
内容简介
本书通过案例讲述有关的概念和方法，不仅介绍了ARMA 模型、状态空间模型、Kalman 滤波、单位根检验和GARCH 模型等一元时间序列方法，还介绍了很多多元时间序列方法，如线性协整、门限协整、VAR 模型、Granger 因果检验、神经网络模型、可加AR 模型和谱估计等，并且增加了全新的一章讲述如何用深度学习进行时间序列分析. 书中强调对真实的时间序列数据进行分析，全程使用R 和Python软件分析了各个科学领域的实际数据，还分析了金融和经济数据的例子.本书通俗易懂，理论与应用并重，可作为高等院校统计学和经济管理等专业“时间序列分析”相关课程的教材，对金融和互联网等领域的相关从业者也极具参考价值.
目录
目录
CONTENTS
前言
第 1 章 引言 / 1
1.1 时间序列的特点 / 1
1.2 时间序列例子 / 2
1.3 R 软件入门 / 5
1.4 Python 软件入门 / 8
1.4.1 简介 / 8
1.4.2 动手 / 9
1.5 本章 Python 代码 / 10
1.6 习题 / 11
第 2 章 一元时间序列的基本概念和ARIMA模型 / 13
2.1 平稳性及相关性度量 / 13
2.1.1 平稳性、自协方差函数和自相关函数 / 14
2.1.2 差分算子和后移算子 / 16
2.2 白噪声 / 17
2.3 随机游走 / 19
2.4 趋势平稳过程 / 20
2.5 联合平稳性和互相关函数 / 21
2.6 一般线性模型 / 22
目录 VII
2.7 MA 模型 / 23
2.8 AR 模型 / 27
2.9 ARMA 模型 / 32
2.10 ARIMA 模型 / 37
2.11 季节模型 / 38
2.12 本章 Python 代码 / 39
2.13 习题 / 43
第 3 章 一元时间序列数据的拟合及预测: ARIMA 及其他模型 / 47
3.1 拟合及预测的基本目的与预测精度的度量 / 47
3.2 对序列自相关性的混成检验 / 49
3.3 ARMA 模型的估计和预测 / 49
3.3.1 ARMA 模型的最大似然估计 / 49
3.3.2 ARMA 模型的矩估计方法 / 50
3.3.3 ARMA 模型预测的基本数学原理 / 50
3.4 简单指数平滑 / 57
3.5 Holt-Winters 滤波预测方法 / 63
3.6 指数平滑模型的一些术语和符号 / 65
3.7 时间序列季节分解的 LOESS 方法 / 67
3.7.1 LOESS 方法简介 / 67
3.7.2 利用 LOESS 做季节分解 / 69
3.8 回归用于时间序列 / 75
3.9 时间序列的交叉验证 / 78
3.9.1 交叉验证: 利用固定长度的训练集来预测固定长度的未来 / 78
3.9.2 交叉验证: 利用逐渐增加长度的训练集来预测固定长度的未来 / 81
3.10 更多的一元时间序列数据实例分析 / 85
3.10.1 有效联邦基金利率例子 (例 1.4) / 85
3.10.2 澳洲 Darwin 自 1882 年以来月海平面气压指数例子 / 90
3.10.3 中国 12 个机场旅客人数例子 / 98
3.10.4 例 1.2 中 Auckland 降水序列例子 / 104
3.11 本章 Python 代码 / 113
VIII 应用时间序列分析: 基于 R 和 Python
3.11.1 例 3.1 中澳大利亚牛奶产量数据 / 113
3.11.2 例 3.2 中尼罗河年流量数据 / 116
3.11.3 例 3.3 中夏威夷 Mauna Loa 火山大气二氧化碳浓度数据 / 119
3.11.4 例 3.4 中乘机旅客数据 / 120
3.11.5 例 3.6 中中国经济数据 / 121
3.11.6 例 3.7 中 Nelson 和 Plosser 经济数据 / 125
3.11.7 例 3.8 中就业人口比例数据 / 126
3.12 习题 / 128
第 4 章 状态空间模型和 Kalman 滤波 / 130
4.1 动机 / 130
4.2 结构时间序列模型 / 131
4.2.1 局部水平模型 / 131
4.2.2 局部线性趋势模型 / 132
4.2.3 季节效应 / 132
4.3 一般状态空间模型 / 133
4.3.1 使用 R 程序包解状态空间模型的要点 / 134
4.3.2 系数随时间变化的回归 / 135
4.3.3 结构时间序列的一般状态空间模型表示 / 135
4.3.4 ARMA 模型的状态空间模型形式 / 138
4.4 Kalman 滤波 / 141
第 5 章 单位根检验 / 152
5.1 单整和单位根 / 152
5.2 单位根检验 / 156
5.2.1 DF 检验、ADF 检验以及 PP 检验 / 156
5.2.2 KPSS 检验 / 162
5.3 本章 Python 代码 / 164
5.3.1 随机数据 / 164
5.3.2 例 3.7 中货币流通速度数据 / 165
5.3.3 例 3.2 中尼罗河年流量数据 / 166
目录 IX
第 6 章 长期记忆过程: ARFIMA 模型 / 167
6.1 长期记忆序列 / 167
6.2 介于 I(0) 和 I(1) 之间的长期记忆序列 / 167
6.3 ARFIMA 模型 / 169
6.4 参数 d 的估计 / 171
6.4.1 参数 d 的估计: 平稳序列情况 / 171
6.4.2 参数 d. 的估计: 非平稳 ARFIMA(p, d., q) 情况 / 173
6.5 ARFIMA 模型拟合尼罗河年流量数据 / 173
第 7 章 GARCH 模型 / 176
7.1 时间序列的波动 / 177
7.2 模型的描述 / 180
7.2.1 ARCH 模型 / 180
7.2.2 GARCH 模型 / 181
7.3 数据的拟合 / 182
7.3.1 例 1.1 中美国工业生产增长指数数据的拟合 / 182
7.3.2 例 7.1 中数据的拟合 / 185
7.4 GARCH 模型的延伸 / 188
7.4.1 一组 GARCH 模型 / 188
7.4.2 FGARCH 模型族 / 190
7.4.3 ARFIMA-GARCH 模型族拟合例 7.1 中的数据 / 192
7.5 本章 Python 代码 / 197
7.5.1 例 7.1 中美元对欧元汇率数据 / 198
7.5.2 例 1.1 中美国工业生产增长指数序列数据 / 200
第 8 章 多元时间序列的基本概念及数据分析 / 202
8.1 平稳性 / 203
8.2 交叉协方差矩阵和相关矩阵 / 204
8.3 一般线性模型 / 205
8.4 VARMA 模型 / 205
8.5 协整模型和 Granger 因果检验 / 209
X 应用时间序列分析: 基于 R 和 Python
8.5.1 VECM 和协整 / 209
8.5.2 Engle-Granger 协整检验 / 213
8.5.3 Pillips-Ouliaris 协整检验 / 214
8.5.4 Johansen 方法 / 215
8.5.5 Granger 因果检验 / 218
8.6 多元时间序列案例分析 / 222
8.6.1 加拿大宏观经济数据 / 222
8.6.2 例 8.2 中加拿大宏观经济数据的协整检验和 Granger 因果检验 / 223
8.6.3 用 VAR(2) 模型拟合例 8.2 中加拿大宏观经济数据并做预测 / 226
8.6.4 用 VARX 模型拟合例 8.2 中加拿大宏观经济数据并做预测 / 229
8.6.5 用状态空间 VARX 模型拟合例 8.2 中的数据 / 232
8.7 本章 Python 代码 / 234
8.7.1 例 8.1 中燃气炉数据 / 235
8.7.2 例 3.7 中美国经济数据 / 236
8.7.3 例 8.1 中燃气炉数据 (续) / 238
8.7.4 例 8.2 中加拿大宏观经济数据 / 240
8.8 习题 / 242
第 9 章 非线性时间序列 / 243
9.1 非线性时间序列例子 / 243
9.2 线性 AR 模型 / 248
9.3 自门限自回归模型 / 248
9.3.1 一个门限参数的模型 / 249
9.3.2 两个门限参数的模型 / 251
9.3.3 Hansen 检验 / 253
9.4 logistic 平滑过渡自回归模型 / 254
9.5 可加 AR 模型 / 257
9.6 模型的比较 / 257
9.7 门限协整 / 258
9.7.1 向量误差修正模型 / 258
9.7.2 向量误差修正模型的估计 / 259
目录 XI
9.7.3 关于向量误差修正模型的 Hansen 检验 / 261
第 10 章 深度学习方法在时间序列中的应用 / 264
10.1 神经网络概述 / 264
10.2 BP 神经网络 / 266
10.2.1 信息的前向传播过程 / 266
10.2.2 误差的反向传播机制 / 268
10.2.3 案例实现 / 269
10.3 卷积神经网络 / 276
10.3.1 CNN 简介 / 276
10.3.2 CNN 的模型结构 / 276
10.3.3 卷积层工作原理 / 277
10.3.4 池化层工作原理 / 280
10.3.5 全连接层 / 280
10.3.6 CNN 的反向传播 / 281
10.4 循环神经网络和长短期记忆模型 / 286
10.4.1 RNN 模型介绍 / 286
10.4.2 LSTM 模型介绍 / 289
10.4.3 RNN、LSTM 案例 / 291
10.5 Transformer / 298
10.5.1 Seq2Seq / 298
10.5.2 注意力机制 / 299
10.5.3 Transformer 流程 / 299
10.5.4 Transformer 案例 / 306
10.5.5 Transformer 小结 / 312
第 11 章 谱分析简介 / 313
11.1 周期性时间序列 / 313
11.2 谱密度 / 317
11.3 谱分布函数 / 320
11.4 自相关母函数和谱密度 / 320
XII 应用时间序列分析: 基于 R 和 Python
11.5 时不变线性滤波器 / 323
11.6 谱估计 / 327
11.6.1 通过样本自协方差函数估计谱密度 / 327
11.6.2 通过周期图估计谱密度 / 327
11.6.3 非参数谱密度估计 / 329
11.6.4 参数谱密度估计 / 332
附录 A 使用 R 软件练习 / 334
附录 B 使用 Python 软件练习 / 345
CONTENTS
前言
第 1 章 引言 / 1
1.1 时间序列的特点 / 1
1.2 时间序列例子 / 2
1.3 R 软件入门 / 5
1.4 Python 软件入门 / 8
1.4.1 简介 / 8
1.4.2 动手 / 9
1.5 本章 Python 代码 / 10
1.6 习题 / 11
第 2 章 一元时间序列的基本概念和ARIMA模型 / 13
2.1 平稳性及相关性度量 / 13
2.1.1 平稳性、自协方差函数和自相关函数 / 14
2.1.2 差分算子和后移算子 / 16
2.2 白噪声 / 17
2.3 随机游走 / 19
2.4 趋势平稳过程 / 20
2.5 联合平稳性和互相关函数 / 21
2.6 一般线性模型 / 22
目录 VII
2.7 MA 模型 / 23
2.8 AR 模型 / 27
2.9 ARMA 模型 / 32
2.10 ARIMA 模型 / 37
2.11 季节模型 / 38
2.12 本章 Python 代码 / 39
2.13 习题 / 43
第 3 章 一元时间序列数据的拟合及预测: ARIMA 及其他模型 / 47
3.1 拟合及预测的基本目的与预测精度的度量 / 47
3.2 对序列自相关性的混成检验 / 49
3.3 ARMA 模型的估计和预测 / 49
3.3.1 ARMA 模型的最大似然估计 / 49
3.3.2 ARMA 模型的矩估计方法 / 50
3.3.3 ARMA 模型预测的基本数学原理 / 50
3.4 简单指数平滑 / 57
3.5 Holt-Winters 滤波预测方法 / 63
3.6 指数平滑模型的一些术语和符号 / 65
3.7 时间序列季节分解的 LOESS 方法 / 67
3.7.1 LOESS 方法简介 / 67
3.7.2 利用 LOESS 做季节分解 / 69
3.8 回归用于时间序列 / 75
3.9 时间序列的交叉验证 / 78
3.9.1 交叉验证: 利用固定长度的训练集来预测固定长度的未来 / 78
3.9.2 交叉验证: 利用逐渐增加长度的训练集来预测固定长度的未来 / 81
3.10 更多的一元时间序列数据实例分析 / 85
3.10.1 有效联邦基金利率例子 (例 1.4) / 85
3.10.2 澳洲 Darwin 自 1882 年以来月海平面气压指数例子 / 90
3.10.3 中国 12 个机场旅客人数例子 / 98
3.10.4 例 1.2 中 Auckland 降水序列例子 / 104
3.11 本章 Python 代码 / 113
VIII 应用时间序列分析: 基于 R 和 Python
3.11.1 例 3.1 中澳大利亚牛奶产量数据 / 113
3.11.2 例 3.2 中尼罗河年流量数据 / 116
3.11.3 例 3.3 中夏威夷 Mauna Loa 火山大气二氧化碳浓度数据 / 119
3.11.4 例 3.4 中乘机旅客数据 / 120
3.11.5 例 3.6 中中国经济数据 / 121
3.11.6 例 3.7 中 Nelson 和 Plosser 经济数据 / 125
3.11.7 例 3.8 中就业人口比例数据 / 126
3.12 习题 / 128
第 4 章 状态空间模型和 Kalman 滤波 / 130
4.1 动机 / 130
4.2 结构时间序列模型 / 131
4.2.1 局部水平模型 / 131
4.2.2 局部线性趋势模型 / 132
4.2.3 季节效应 / 132
4.3 一般状态空间模型 / 133
4.3.1 使用 R 程序包解状态空间模型的要点 / 134
4.3.2 系数随时间变化的回归 / 135
4.3.3 结构时间序列的一般状态空间模型表示 / 135
4.3.4 ARMA 模型的状态空间模型形式 / 138
4.4 Kalman 滤波 / 141
第 5 章 单位根检验 / 152
5.1 单整和单位根 / 152
5.2 单位根检验 / 156
5.2.1 DF 检验、ADF 检验以及 PP 检验 / 156
5.2.2 KPSS 检验 / 162
5.3 本章 Python 代码 / 164
5.3.1 随机数据 / 164
5.3.2 例 3.7 中货币流通速度数据 / 165
5.3.3 例 3.2 中尼罗河年流量数据 / 166
目录 IX
第 6 章 长期记忆过程: ARFIMA 模型 / 167
6.1 长期记忆序列 / 167
6.2 介于 I(0) 和 I(1) 之间的长期记忆序列 / 167
6.3 ARFIMA 模型 / 169
6.4 参数 d 的估计 / 171
6.4.1 参数 d 的估计: 平稳序列情况 / 171
6.4.2 参数 d. 的估计: 非平稳 ARFIMA(p, d., q) 情况 / 173
6.5 ARFIMA 模型拟合尼罗河年流量数据 / 173
第 7 章 GARCH 模型 / 176
7.1 时间序列的波动 / 177
7.2 模型的描述 / 180
7.2.1 ARCH 模型 / 180
7.2.2 GARCH 模型 / 181
7.3 数据的拟合 / 182
7.3.1 例 1.1 中美国工业生产增长指数数据的拟合 / 182
7.3.2 例 7.1 中数据的拟合 / 185
7.4 GARCH 模型的延伸 / 188
7.4.1 一组 GARCH 模型 / 188
7.4.2 FGARCH 模型族 / 190
7.4.3 ARFIMA-GARCH 模型族拟合例 7.1 中的数据 / 192
7.5 本章 Python 代码 / 197
7.5.1 例 7.1 中美元对欧元汇率数据 / 198
7.5.2 例 1.1 中美国工业生产增长指数序列数据 / 200
第 8 章 多元时间序列的基本概念及数据分析 / 202
8.1 平稳性 / 203
8.2 交叉协方差矩阵和相关矩阵 / 204
8.3 一般线性模型 / 205
8.4 VARMA 模型 / 205
8.5 协整模型和 Granger 因果检验 / 209
X 应用时间序列分析: 基于 R 和 Python
8.5.1 VECM 和协整 / 209
8.5.2 Engle-Granger 协整检验 / 213
8.5.3 Pillips-Ouliaris 协整检验 / 214
8.5.4 Johansen 方法 / 215
8.5.5 Granger 因果检验 / 218
8.6 多元时间序列案例分析 / 222
8.6.1 加拿大宏观经济数据 / 222
8.6.2 例 8.2 中加拿大宏观经济数据的协整检验和 Granger 因果检验 / 223
8.6.3 用 VAR(2) 模型拟合例 8.2 中加拿大宏观经济数据并做预测 / 226
8.6.4 用 VARX 模型拟合例 8.2 中加拿大宏观经济数据并做预测 / 229
8.6.5 用状态空间 VARX 模型拟合例 8.2 中的数据 / 232
8.7 本章 Python 代码 / 234
8.7.1 例 8.1 中燃气炉数据 / 235
8.7.2 例 3.7 中美国经济数据 / 236
8.7.3 例 8.1 中燃气炉数据 (续) / 238
8.7.4 例 8.2 中加拿大宏观经济数据 / 240
8.8 习题 / 242
第 9 章 非线性时间序列 / 243
9.1 非线性时间序列例子 / 243
9.2 线性 AR 模型 / 248
9.3 自门限自回归模型 / 248
9.3.1 一个门限参数的模型 / 249
9.3.2 两个门限参数的模型 / 251
9.3.3 Hansen 检验 / 253
9.4 logistic 平滑过渡自回归模型 / 254
9.5 可加 AR 模型 / 257
9.6 模型的比较 / 257
9.7 门限协整 / 258
9.7.1 向量误差修正模型 / 258
9.7.2 向量误差修正模型的估计 / 259
目录 XI
9.7.3 关于向量误差修正模型的 Hansen 检验 / 261
第 10 章 深度学习方法在时间序列中的应用 / 264
10.1 神经网络概述 / 264
10.2 BP 神经网络 / 266
10.2.1 信息的前向传播过程 / 266
10.2.2 误差的反向传播机制 / 268
10.2.3 案例实现 / 269
10.3 卷积神经网络 / 276
10.3.1 CNN 简介 / 276
10.3.2 CNN 的模型结构 / 276
10.3.3 卷积层工作原理 / 277
10.3.4 池化层工作原理 / 280
10.3.5 全连接层 / 280
10.3.6 CNN 的反向传播 / 281
10.4 循环神经网络和长短期记忆模型 / 286
10.4.1 RNN 模型介绍 / 286
10.4.2 LSTM 模型介绍 / 289
10.4.3 RNN、LSTM 案例 / 291
10.5 Transformer / 298
10.5.1 Seq2Seq / 298
10.5.2 注意力机制 / 299
10.5.3 Transformer 流程 / 299
10.5.4 Transformer 案例 / 306
10.5.5 Transformer 小结 / 312
第 11 章 谱分析简介 / 313
11.1 周期性时间序列 / 313
11.2 谱密度 / 317
11.3 谱分布函数 / 320
11.4 自相关母函数和谱密度 / 320
XII 应用时间序列分析: 基于 R 和 Python
11.5 时不变线性滤波器 / 323
11.6 谱估计 / 327
11.6.1 通过样本自协方差函数估计谱密度 / 327
11.6.2 通过周期图估计谱密度 / 327
11.6.3 非参数谱密度估计 / 329
11.6.4 参数谱密度估计 / 332
附录 A 使用 R 软件练习 / 334
附录 B 使用 Python 软件练习 / 345
