財經時間序列預測：使用R的計量與機器學習方法 ISBN13：9786263431492 出版社：五南圖書出版 作者：何宗武 裝訂／頁數：平裝／336頁 規格：26cm*19cm*1.7cm (高/寬/厚) 重量：720克 版次：1 出版日：2022/08/25 中國圖書分類：統計電子資料處理；統計電腦資料處理 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。 目錄 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