Build your ultimate AI agent
课程介绍
学习如何使用 Python 进行时间序列分析
从股票价格到气候数据，您可以在各种领域中找到时间序列数据。 对于数据科学家来说，具备有效处理此类数据的能力正变得越来越重要。 本课程将向您介绍 Python 中的时间序列分析。在了解什么是时间序列之后，你将探索多种时间序列模型，从自回归模型和移动平均模型到协整模型。 一路上，你将学习如何使用 Python 中的统计库来估计、预测和模拟这些模型。
您将看到这些模型的众多使用示例，尤其侧重于金融领域的应用。
了解如何使用时间序列方法
你将首先学习时间序列数据的基础知识，以及简单线性回归。 你将学习相关性和自相关的概念，以及它们如何应用于时间序列数据，然后再探索一些简单的时间序列模型，例如白噪声和随机游走。 接下来，你将探索自回归（AR）模型如何用于时间序列数据，以预测当前值，以及移动平均模型如何与AR模型结合，生成强大的ARMA模型。最后，你将了解如何使用协整模型对两个序列进行联合建模，然后再查看一个真实案例研究。
探索用于时间序列分析的 Python 模型和库 在本课程结束时，你将了解 Python 中的时间序列分析是如何工作的。 你将了解一些能够帮助你完成这一过程的模型、方法和库，并知道如何为自己的分析选择合适的工具。
这门课程是更广泛的 Python 时间序列学习路径的一部分，该学习路径提供五门课程，帮助你掌握这项数据科学技能。
先修要求
课程大纲
课程大纲
1
相关与自相关
本章将向您介绍时间序列中的相关与自相关概念。相关用于描述两条时间序列之间的关系，自相关用于描述一条时间序列与其过去取值之间的关系。
2
一些简单的时间序列
本章将带您了解一些简单的时间序列模型，包括白噪声与随机游走。
3
自回归（AR）模型
本章将学习时间序列的自回归（AR）模型。此类模型利用序列的过去取值来预测当前值。
4
移动平均（MA）与 ARMA 模型
本章将介绍另一类模型——移动平均（MA）模型。您还将看到如何将 AR 与 MA 结合为功能更强的 ARMA 模型。
5
融会贯通
本章将展示如何使用协整模型对两条序列进行联合建模。最后，您将通过一个案例研究收尾，分析纽约市的气温时间序列数据。
Python 中的时间序列分析
课程完成
