阿里云文档 2024-09-10

DataV-Note Python分析

Notebook目前支持Python语言的代码编写和运行。通过Python,您可以根据您的分析思路编写代码,打印运行结果、绘制图表和绘制表格。本文介绍分析单元中的Python分析功能。

文章 2024-04-30 来自:开发者社区

Python自激励阈值自回归(SETAR)、ARMA、BDS检验、预测分析太阳黑子时间序列数据

全文链接 :https://tecdat.cn/?p=33896 这篇文章展示了自激励阈值自回归SETAR的使用,用于分析经常被客户研究的太阳黑子数据集。具体而言,研究SETAR模型的估计和预测(点击文末“阅读原文”获取完整代码数据)。 我们在这里考虑原始的太阳黑子序列以拟合ARMA示例,尽管文献中许多来源在建模之前对序列进行变换。 ...

Python自激励阈值自回归(SETAR)、ARMA、BDS检验、预测分析太阳黑子时间序列数据
文章 2024-04-30 来自:开发者社区

python、R语言ARIMA-GARCH分析南方恒生中国企业ETF基金净值时间序列分析

全文链接:https://tecdat.cn/?p=34123 分析师:Yuyan Wang 虽然中国股票市场日益完善,但还不完全是弱有效市场,因此中国股票市场存在比较明显的通过技术分析达到的套利机会(点击文末“阅读原文”了解更多)。 解决方案 任务/目标 ...

python、R语言ARIMA-GARCH分析南方恒生中国企业ETF基金净值时间序列分析
文章 2024-04-30 来自:开发者社区

Python随机波动性SV模型:贝叶斯推断马尔可夫链蒙特卡洛MCMC分析英镑/美元汇率时间序列数据|数据分享

全文链接:https://tecdat.cn/?p=33885 本文描述了帮助客户使用马尔可夫链蒙特卡洛(MCMC)方法通过贝叶斯方法估计基本的单变量随机波动模型,就像Kim等人(1998年)所做的那样(点击文末“阅读原文”获取完整代码数据)。 定义模型以及从条件后验中抽取样本的函数的代码也在Python脚本中提供。 ...

Python随机波动性SV模型:贝叶斯推断马尔可夫链蒙特卡洛MCMC分析英镑/美元汇率时间序列数据|数据分享
文章 2024-04-23 来自:开发者社区

PYTHON用时变马尔可夫区制转换(MARKOV REGIME SWITCHING)自回归模型分析经济时间序列

原文链接:http://tecdat.cn/?p=22617 本文提供了一个在统计模型中使用马可夫转换模型模型的例子,来复现Kim和Nelson(1999)中提出的一些结果。它应用了Hamilton(1989)的滤波器和Kim(1994)的平滑器。 %matplotl...

PYTHON用时变马尔可夫区制转换(MARKOV REGIME SWITCHING)自回归模型分析经济时间序列
文章 2024-04-23 来自:开发者社区

Python 用ARIMA、GARCH模型预测分析股票市场收益率时间序列(下)

Python 用ARIMA、GARCH模型预测分析股票市场收益率时间序列(中):https://developer.aliyun.com/article/1490525 我们绘制模型残差。 SPY最佳模型残...

Python 用ARIMA、GARCH模型预测分析股票市场收益率时间序列(下)
文章 2024-04-23 来自:开发者社区

Python 用ARIMA、GARCH模型预测分析股票市场收益率时间序列(中)

Python 用ARIMA、GARCH模型预测分析股票市场收益率时间序列(上):https://developer.aliyun.com/article/1490523 AR(1) 模型,ALPHA = 0.6 正如预期的那样,我们模拟的 AR(1) 模型的分布是正常的。滞后值之间存...

Python 用ARIMA、GARCH模型预测分析股票市场收益率时间序列(中)
文章 2024-04-23 来自:开发者社区

Python 用ARIMA、GARCH模型预测分析股票市场收益率时间序列(上)

原文链接:http://tecdat.cn/?p=24092 前言 在量化金融中,我学习了各种时间序列分析技术以及如何使用它们。 通过发展我们的时间序列分析 (TSA) 方法组合,我们能够更好地了解已经发生的事情,_并对_未来做出更好、更有利的预测。示例应用包括预测未来资产收...

Python 用ARIMA、GARCH模型预测分析股票市场收益率时间序列(上)
文章 2024-04-18 来自:开发者社区

R语言和Python用泊松过程扩展:霍克斯过程Hawkes Processes分析比特币交易数据订单到达自激过程时间序列

介绍 本文描述了一个模型,该模型解释了交易的聚集到达,并展示了如何将其应用于比特币交易数据。这是很有趣的,原因很多。例如,对于交易来说,能够预测在短期内是否有更多的买入或卖出是非常有用的。另一方面,这样的模型可能有助于理解基本新闻驱动价格与机器人交易员对价格变化的反应之间的区别。 订单到达的自激性和集群性 交易不会以均匀的间隔到达,但通常会在时间上聚集在一起。类似地,相同...

R语言和Python用泊松过程扩展:霍克斯过程Hawkes Processes分析比特币交易数据订单到达自激过程时间序列
文章 2024-04-17 来自:开发者社区

Python 用ARIMA、GARCH模型预测分析股票市场收益率时间序列4

Python 用ARIMA、GARCH模型预测分析股票市场收益率时间序列3;https://developer.aliyun.com/article/1485073 自回归条件异方差模型 - ARCH(p) ARCH(p) 模型可以简单地认为是应用于时间序列方差的 AR(p) 模型。另一种思考方式是,我们的时间序列 _在时间 t_的方差取决于对先前时期方差的过去观察。 ...

Python 用ARIMA、GARCH模型预测分析股票市场收益率时间序列4

本页面内关键词为智能算法引擎基于机器学习所生成,如有任何问题,可在页面下方点击"联系我们"与我们沟通。

产品推荐

Python学习站

Python学习资料大全,包含Python编程学习、实战案例分享、开发者必知词条等内容。

+关注
相关镜像