財經時間序列預測：使用R的計量與機器學習方法
活動訊息
想找書的時候，特別想偷看網友的書櫃... 原來大家都在看這本 ↓↓↓
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
序／導讀
序
這幾年的數位革命風潮，造成機器／深度學習的資料演算法普及，也對既有的統計預測有了相當的影響，因應這個趨勢，中研院蔡瑞胸院士2021年也出版了一本書(Pena and Tsay, 2021, Statistical Learning for Big Dependent Data)，蔡士的重點就在於時間序列預測在機器學習的資料驅動架構下，可以如何使用以及預測表現如何。這幾年，我也接了兩個政府機構的機器學習委託案，分別處理經濟成長和景氣循環的預測。趁著執行委託案的機會，我也將應用機器學習於時間序列預測的相關技術問題，做了整理與克服，例如：多步（動態）預測的產生在一般程式中沒有，既定程式(Python or R) 多是橫斷面資料預測的延伸使用，所以，到了時間序列，就只是單步（靜態）預測。因應這些問題，結案後，就順勢產生了R 套件iForecast，迄今已經多次改版。除了可以學習程式細節，同時也可以簡單透過套件使用這些方法。套件會與時俱進，因此，讀者追蹤iForecast 套件，或許是最好的方法。
面對機器學習，統計顯得更重要；面對財經時間序列，計量經濟學也更重要。因此，將整體學習所需要的一些內容做了整理與觀念釐清後，就出版了這本書。這本書有些主題會比較進階，例如：第3 章第3 節討論到Rabinowicz and Rosset (2022) 刊登在JASA 的論文，也用模擬說明了這篇研究對時間序列的意義；在深度學習很紅的循環神經網路(RNN, Recurrent Neural Network) 之LSTM 方法，是屬於比較典型的資訊演算，我們也納入介紹。因此，內容若干主題，可依照背景自行斟酌學習。
時間序列預測對產業有很多意義，例如：股市波動、失業與通膨等等，時間序列不似橫斷面資料，所需預測的未來往往不長，但是動態的挑戰相當嚴峻。基於模型選擇的困境，就務實的角度，將多個模型的預測加權平均組合起來，如Models Average 應該是最有效的，這也是本書建議預測實務時的作法。
最後，這本書的出版，我還是不免於俗地要感謝臺師大良好的研究環境，讓我教學之餘，可以完成這本研究型的專題著作。
何宗武
國立臺灣師範大學管理學院
全球經營與策略研究所
2022/7/4
配送方式
-
台灣
- 國內宅配：本島、離島
-
到店取貨：
不限金額免運費
-
海外
- 國際快遞：全球
-
港澳店取：
訂購/退換貨須知
加入金石堂 LINE 官方帳號『完成綁定』，隨時掌握出貨動態：
提醒您！！
金石堂及銀行均不會請您操作ATM! 如接獲電話要求您前往ATM提款機，請不要聽從指示，以免受騙上當！
退換貨須知：
**提醒您，鑑賞期不等於試用期，退回商品須為全新狀態**
-
依據「消費者保護法」第19條及行政院消費者保護處公告之「通訊交易解除權合理例外情事適用準則」，以下商品購買後，除商品本身有瑕疵外，將不提供7天的猶豫期：
- 易於腐敗、保存期限較短或解約時即將逾期。（如：生鮮食品）
- 依消費者要求所為之客製化給付。（客製化商品）
- 報紙、期刊或雜誌。（含MOOK、外文雜誌）
- 經消費者拆封之影音商品或電腦軟體。
- 非以有形媒介提供之數位內容或一經提供即為完成之線上服務，經消費者事先同意始提供。（如：電子書、電子雜誌、下載版軟體、虛擬商品…等）
- 已拆封之個人衛生用品。（如：內衣褲、刮鬍刀、除毛刀…等）
- 若非上列種類商品，均享有到貨7天的猶豫期（含例假日）。
- 辦理退換貨時，商品（組合商品恕無法接受單獨退貨）必須是您收到商品時的原始狀態（包含商品本體、配件、贈品、保證書、所有附隨資料文件及原廠內外包裝…等），請勿直接使用原廠包裝寄送，或於原廠包裝上黏貼紙張或書寫文字。
- 退回商品若無法回復原狀，將請您負擔回復原狀所需費用，嚴重時將影響您的退貨權益。
商品評價