时间序列分析
分享
课程详情
课程评价
spContent=身处大数据的今天,人们可以很容易的获取各种类型的数据。其中有一种数据,是依时间记录下来的。这就是时间序列数据,它广泛存在于人们的现实生活中。比如每年观测到的太阳黑子数据、每个月记录下来的全球平均气温异常值,到金融资产每天的收盘价、市场波动的恐慌指数、再到脑电波和核磁共振成像记录都是时间序列数据。你知道如何利用历史观测值来建立合适的时间模型,挖掘和解释数据中潜在的随机机制,同时,又如何利用历史观测值来预测未来吗? 从分析一个资产收益率自身的随机性、到分析多个资产互相的联动性、从低频的每年每月的数据、到每日每分甚至每毫秒的高频数据、都需要专业的时间序列分析技术。那么就和我一起,坐上时光机,开始时间序列之旅吧! ​
—— 课程团队
课程概述

时间序列数据,顾名思义,就是按时间顺序收集起来的数据。与独立截面数据不同,时间序列数据在时间上的顺序决定其自身的相依结构,因此对此类数据的统计推断不同于独立数据。时间序列数据广泛存在于现实世界的各个领域,如全球月平均温度、股票日收盘价格、太阳黑子的年均个数、河流的月均水位高度、测量脑部活动的功能性磁共振成像(fMRI)数据等。掌握时间序列数据分析方法对理解这些数据并应用好这些数据,非常重要。时间序列分析的目的有两层:第一层,通过观察历史数据展现出来的经验特征(empirical characters),建立合适的计量模型,来刻画这些经验特征,从而解释隐藏在数据背后的生成机制;第二层,根据建立起来的模型,预测未来可能发生的事件,从而达到预警和提前干预的目的。相比第一个层面,第二层面的挑战更大,不确定性也更多。

在商业银行、政府统计部门以及一些私人投资机构中,时间序列数据占主导地位,因此对毕业后想在这些部门任职的学生来说,掌握时间序列分析和预测的基本能力至关重要。同时通过这门课的学习,也可以为该领域相关高阶课程,如非参数时间序列分析、机器学习算法在时间序列中的应用等打下前期基础


课程大纲
预备知识

微积分、线性代数、概率论与数理统计、回归分析

证书要求

平时作业 30%

期中考试 30%

期末考试 40%

参考资料

[1]. Time Series: Theory and Methods (2nd ed.), Peter J. Brockwell &Richard A. Davis, 1991.

[2]. Time Series Analysis, James D. Hamilton, 1994.

[3]. Time Series Analysis With Applications in R (2nd ed.), Jonathan D. Cryer and Kung-Sik Chan, 2008. 

[4]. Analysis of Financial Time Series (3rd ed.), Ruey S. Tsay, 2010.

[5]. The Elements of Financial Econometrics, Jianqing Fan& Qiwei Yao, 2015. 

[6]. Galit Shmueli & Kenneth C. Lichtendahl Jr. (2016).  Practical Time Series Forecasting with R.