|
|
|
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
