- What algorithms exist for time series forecasting/regression ?
- 使用神经网络怎么样？ （关于这个主题的最佳文档？）
- 有 python 库/代码片段可以提供帮助吗？
时间序列回归的经典方法是：
-
自回归模型 http://en.wikipedia.org/wiki/Autoregressive_model（有关于他们的完整文献）
-
高斯过程 http://www.gaussianprocess.org/
-
傅里叶分解或类似的方法来提取信号的周期性分量（即数据中隐藏的振荡）
我知道的其他不太常见的方法是
-
慢特征分析 http://www.scholarpedia.org/article/Slow_feature_analysis，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 http://mdp-toolkit.sourceforge.net/examples/logmap/logmap.html#logmap
-
神经网络（NN）方法，要么使用循环神经网络（即，为处理时间信号而构建），要么使用接收过去数据作为输入部分并尝试预测未来某个点的经典前馈神经网络；后者的优点是循环神经网络在考虑遥远的过去时存在问题
在我看来，对于金融数据分析，不仅要获得时间序列的最佳猜测外推，而且还要获得可靠的置信区间，因为由此产生的投资策略可能会非常不同。概率方法（例如高斯过程）可以“免费”为您提供这一点，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，您必须依赖引导技术 http://en.wikipedia.org/wiki/Bootstrapping_(statistics).
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 https://numpy.org/ and SciPy http://www.scipy.org/是 Python 科学编程的必备条件
- R 有一个 Python 接口，称为RPy http://rpy.sourceforge.net/
-
统计模型 http://statsmodels.sourceforge.net/包含经典的统计模型技术，包括自回归模型；它适用于Pandas http://pandas.pydata.org/，一个流行的数据分析包
-
scikits.learn http://scikit-learn.sourceforge.net/, MDP http://mdp-toolkit.sourceforge.net/index.html, MLPy https://mlpy.fbk.eu/, Orange http://www.ailab.si/orange/是机器学习算法的集合
-
PyMC https://github.com/pymc-devs/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 http://pybrain.org/包含（除其他外）前馈和循环神经网络的实现
- at the 高斯过程现场 http://www.gaussianprocess.org/有一个 GP 软件列表，包括两个 Python 实现
-
mloss http://www.mloss.org/software/是开源机器学习软件的目录
本文内容由网友自发贡献，版权归原作者所有，本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容，请联系:hwhale#tublm.com(使用前将#替换为@)
