本书是辽宁省一流本科课程配套教材，在借鉴国内外相关教材优点的基础上，总结作者多年从事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、单位根检验和协整、平稳时间序列模型、差分平稳时间序列模型、异方差时间序列模型、非线性时间序列模型、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，本书还通过二维码链接了数据、程序代码、彩图以及期中、期末测试，供读者学习使用。
样章试读
目录
- 目录
前言
第1章 时间序列分析初步 1
1.1 引言 1
1.1.1 时间序列的定义 2
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 7
1.2 基本概念 9
1.2.1 时间序列与随机过程 9
1.2.2 概率分布族及其特征 9
1.2.3 平稳时间序列的定义 11
1.2.4 平稳时间序列的一些性质 13
1.2.5 平稳性假设的意义 14
1.2.6 时间序列的遍历性 15
1.3 数据预处理 15
1.3.1 时序图与自相关图的绘制 16
1.3.2 数据平稳性的图检验 20
1.3.3 数据的纯随机性检验 24
1.4 数据的分解和平滑 29
1.4.1 序列分解原理 29
1.4.2 趋势拟合法 34
1.4.3 移动平均法 38
1.4.4 指数平滑法 43
1.4.5 季节效应分析 51
习题1 53
第2章 平稳时间序列模型 57
2.1 线性差分方程和滞后算子 57
2.1.1 线性差分方程 57
2.1.2 差分运算与滞后算子 59
2.2 自回归模型的概念和性质 60
2.2.1 自回归模型的定义 60
2.2.2 稳定性与平稳性 64
2.2.3 平稳自回归模型的统计性质 68
2.3 移动平均模型的概念和性质 77
2.3.1 移动平均模型的定义 77
2.3.2 移动平均模型的统计性质 77
2.4 自回归移动平均模型的概念和性质 82
2.4.1 自回归移动平均模型的定义 83
2.4.2 平稳性与可逆性 83
2.4.3 Green函数与逆函数 84
2.4.4 ARMA(p,q)模型的统计性质 84
2.5 平稳时间序列的建模和预测 86
2.5.1 自回归移动平均模型的识别 86
2.5.2 参数估计 88
2.5.3 模型的检验与优化 99
2.5.4 序列的预测 106
习题2 114
第3章 差分平稳时间序列模型 117
3.1 非平稳序列的概念 117
3.1.1 非平稳序列的定义 117
3.1.2 确定性趋势 118
3.1.3 随机性趋势 118
3.2 趋势的消除 119
3.2.1 差分运算的本质 119
3.2.2 趋势信息的提取 121
3.2.3 过差分现象 123
3.3 求和自回归移动平均模型 126
3.3.1 求和自回归移动平均模型的定义 126
3.3.2 求和自回归移动平均模型的性质 127
3.3.3 求和自回归移动平均模型建模 128
3.3.4 求和自回归移动平均模型的预测理论 135
3.4 残差自回归模型 137
3.4.1 残差自回归模型的概念 137
3.4.2 残差的自相关检验 138
3.4.3 残差自回归模型建模 140
3.5 季节模型 143
3.5.1 简单季节自回归移动平均模型 144
3.5.2 乘积季节自回归移动平均模型 145
3.5.3 乘积季节求和自回归移动平均模型 147
3.5.4 乘积季节求和自回归移动平均模型的预测 152
习题3 156
第4章 单位根检验和协整 160
4.1 伪回归 160
4.1.1 “伪回归”现象 160
4.1.2 非平稳对回归的影响 161
4.2 单位根检验 162
4.2.1 理论基础 162
4.2.2 DF检验 164
4.2.3 ADF检验 165
4.2.4 KPSS单位根检验 169
4.3 协整 172
4.3.1 协整的概念 172
4.3.2 协整检验 174
4.4 误差修正模型 177
习题4 178
第5章 异方差时间序列模型 181
5.1 简单异方差模型 181
5.1.1 异方差的现象 181
5.1.2 方差齐性变换 183
5.2 自回归条件异方差模型 186
5.2.1 自回归条件异方差模型的概念 186
5.2.2 自回归条件异方差模型的估计 188
5.2.3 自回归条件异方差模型的检验 189
5.3 广义自回归条件异方差模型 192
习题5 200
第6章 非线性时间序列模型 202
6.1 门限自回归模型 202
6.1.1 门限自回归模型的概念和性质 202
6.1.2 门限自回归模型的建模与预测 207
6.2 马尔可夫转换模型 213
6.2.1 马尔可夫转换模型的概念和性质 213
6.2.2 状态变量的统计推断 214
6.2.3 马尔可夫转换模型的估计 216
6.2.4 马尔可夫转换模型的预测 218
6.2.5 案例分析 219
6.3 平滑转换自回归模型 225
6.4 时变系数模型 231
6.4.1 函数系数自回归模型 231
6.4.2 时变系数自回归模型 236
习题6 240
第7章 谱分析 241
7.1 谱分析大意 241
7.2 谱表示与谱密度 245
7.2.1 谱表示 245
7.2.2 谱密度 246
7.3 谱密度估计 252
7.3.1 谱密度的周期图估计 252
7.3.2 谱密度的非参数估计 254
7.3.3 谱密度的参数估计 263
7.4 案例分析 264
习题7 267
第8章 基于深度学习的时间序列预测 269
8.1 基于多层感知机的时间序列预测 269
8.1.1 多层感知机概述 269
8.1.2 多层感知机的训练 270
8.1.3 案例分析 274
8.2 基于循环神经网络的时间序列预测 283
8.2.1 循环神经网络的概念 283
8.2.2 循环神经网络的训练 285
8.2.3 长期相依问题 287
8.2.4 案例分析 290
8.3 基于卷积神经网络的时间序列预测 294
8.3.1 二维卷积与一维卷积 294
8.3.2 案例分析 298
习题8 300
参考文献 302
附录 Python入门 304
1 Python简介 304
2 Anaconda环境搭建及界面介绍 305
2.1 Anaconda的安装 305
2.2 环境管理 306
2.3 Jupyter Notebook界面与使用简介 309
3 Python基础 312
3.1 数据的读写 312
3.2 编程基础 314
4 几个包简介 321
4.1 Numpy 321
4.2 Pandas 326
4.3 Matplotlib 328
京公网安备 11010102004214号