一般分類: 暢銷精選 > 財經/企管/經濟 > 統計 
     
    財經時間序列預測─使用R的計量與機器學習方法[1版/202...
    編/著者: 何宗武
    出版社:五南
    出版日期:2022-08-26
    ISBN:9786263431492
    參考分類(CAT):
    參考分類(CIP): 統計資料處理

    優惠價:9折,540

    定價:  $600 

     
     
     
    分享
      買了此商品的人,也買了....
    定價:780 元
    特價:90折!702
     
    定價:480 元
    特價:90折!432
     
    定價:420 元
    特價:90折!378
     
    定價:200 元
    特價:90折!180
     
    定價:120 元
    特價:90折!108
     
      | 內容簡介 |
    內容簡介
      本書為進階的教材,需要經濟計量方法和矩陣代數的基礎。時間序列預測是統計學裡非常實用的工具,不論是分析投資組合的數據、全球總經和金融市場,以及預測景氣循環變動等等,可以用過去的數據資料,預測未來趨勢,是可以符合實際決策需要的實用能力。

      書中並介紹機器學習方法,機器學習不是指特定估計方法,學習指的是如何在資料結構中運算,以追蹤最小預測誤差的方法獲得最佳預測(tuning)。我們應用機器學習演算法訓練歷史資料,執行特徵萃取(features extraction),再測試預測表現。依此建立一個可預測未來的模型,作為決策之用。

      使用R語言進行時間序列預測是本書的一大特點,R語言是統計學中普及且容易上手的分析工具,書中針對一個個資料分析步驟進行深度解說,教給讀者進行預測與評估的最實用方法。
    作者介紹
    何宗武

      現任
      臺灣師範大學全球經營與策略研究所 教授

      經歷
      世新大學特聘教授

      專長為財務經濟學、金融大數據、計量經濟資料科學及程式語言等。著作多本相關書籍,如:《數位創新:商業模式經濟學》、《大數據決策分析盲點大突破10講:我分類故我在》、《管理數學、Python與R:邊玩程式邊學數學,不小心變成數據分析高手》、《R語言:深入淺出財經計量》、《R資料採礦與數據分析:以GUI套件Rattle結合程式語言實作》、《資料分析輕鬆學:R Commander高手捷徑》、《Eviews高手:財經計量應用手冊》。
    目次
    自序

    Part I
    時間序列預測基礎
    1 統計與時間序列基礎
    第1 節 隨機變數和預測
    第2 節 樣本和母體
    第3 節 兩組中央趨勢
    第4 節 時間序列特徵
    第5 節 時間序列預測的不同之處

    2 財經時間序列開放資料之取得
    第1 節 Fed 美國聯準會
    第2 節 證交所5 秒鐘的高頻資料
    第3 節 國際清算銀行的有效匯率指數BIS
    第4 節 R 內建套件quantmod 國際股市資料
    第5 節 Fama-French Factor Data
    第6 節 套件JFE 內建函數

    3 時間序列的訓練架構—Recursive Validation
    第1 節 K- 段交叉驗證方法(K-fold CV)
    第2 節 N 步遞回驗證(N-step Recursive Validation)
    第3 節 K-fold 的關聯問題和Rabinowicz-Rosset 修正CV

    4 關於時間序列預測值的計算
    第1 節 資料配適的統計預測
    第2 節 預測未來之一:單步預測
    第3 節 預測未來之二:多步預測
    第4 節 評估模型的預測績效

    Part II
    經濟計量方法Econometric Methods
    5 計量時間序列方法
    第1 節 ARIMA
    第2 節 非線性移轉模型:SETAR 和LSTAR
    第3 節 BATS (Box-Cox transform, ARMA, Trend & Seasonality)
    第4 節 BAGGED (Bootstrap AGGregation)
    第5 節 GAMs
    第6 節 時間序列的組合預測簡介:AveW and Model Average

    6 經濟計量預測實做—臺灣工業生產指數成長率預測
    第1 節 資料與訓練架構
    第2 節 R 程式的單步靜態預測
    第3 節 R 程式的動態預測的訓練

    Part III
    機器學習 Machine Learning
    7 機器學習的演算法
    第1 節 迴歸樹、隨機森林和KNN
    第2 節 簡易人工神經網路(Simple Artificial Neural Network)
    第3 節 Support Vector Machine
    第4 節 Gradien Boosting Machine
    第5 節 正則方法:LASSO, Ridge and Elastic Net
    第6 節 自動化機器學習模式:autoML 委員會
    第7 節 機器學習的動態預測—R 套件iForecast 說明
    附錄

    8 機器學習預測實做—指數報酬率預測(Index Returns Forecasting)
    第1 節 資料與模型
    第2 節 R 程式說明與結果呈現

    Part IV
    深度學習方法
    9 深度學習方法的訓練與學習RNN-LSTM
    第1 節 原理簡說
    第2 節 軟體環境設置

    10 LSTM 預測實做—美國失業率和通貨膨脹
    第1 節 LSTM 程式說明
    第2 節 iForecast 內的ttsLSTM()

    Part V
    類別資料
    11 分類模式
    第1 節 二元廣義線性模式
    第2 節 GLM 的R 程式
    第3 節 混淆矩陣
    第4 節 決策樹分類案例研究

    12 類別時間序列資料的預測—景氣循環
    第1 節 資料與問題說明
    第2 節 機器學習R 程式

    附錄1 R 套件iForecast 介紹
    附錄2 矩陣進一步性質與應用
    第1 節 方陣的特殊性質
    第2 節 應用
    參考文獻