hehehehe没名字可取啊-优快云博客

原创 R语言时间序列学习+代码记录6：一次、二次、三次指数平滑（Holt、Holt-Winters exponential smoothing，ES）

指数平滑（Exponential Smoothing）是一种时间序列预测方法，广泛用于需求预测、销售预测和库存控制等领域。它通过给数据中的不同时间点赋予不同的权重，近期的数据被赋予更高的权重，从而使预测能更快地适应最新的数据趋势。即不舍弃过去的数据，但基于逐渐减弱并收敛为零的权重，从而以本期观察值和前一期指数平滑值加权平均数作为预测。

2024-11-06 18:01:00 1250

原创 R语言时间序列学习+代码记录5：Modeling Seasonal ARIMA

适用于有明显趋势、季节性或自相关特征的数据。ARIMA模型能有效处理非平稳时间序列，综合了自回归（AR）、差分（I）和移动平均（MA）三部分，捕捉了序列中的滞后关系和随机波动。

2024-10-30 17:26:39 1278

原创 R语言时间序列学习+代码记录4： Random Walk, ARIMA Forecasting Models

数据来源主要为FRED（课程要求使用），代码部分来自于老师，参考用书：1.Diebold FX Forecasting in Economics, Business, Finance and Beyond. University of Pennsylvania, 2017. - available on-line http://www.ssc.upenn.edu/~fdiebold/Teaching221/Forecasting.pdf2.Diebold FX Ele

2024-10-29 18:38:16 1216

原创 R语言时间序列学习+代码记录3：Forecasting cycles - AR( ), MA( ), and ARMA( )

是指使用模型对。

2024-10-02 17:48:17 2081 1

原创 R语言时间序列学习+代码记录2：Modeling cycles - AR( ), MA( ), and ARMA( )

由图：MA(4) 模型的残差 ACF 图仍然存在显著的自相关性，表明模型未能完全捕捉到时间序列数据中的自相关特征，即模型未能充分拟合数据，遗漏了一些周期性或趋势性。MA 模型的阶数通常可以从 ACF 图中看到，ACF 会在某个滞后期截断（即滞后q），而 AR 模型的阶数则可以从 PACF 中截断的滞后期确定。在滞后 k 处，若自相关系数显著高于显著性边界，则表明在该滞后期存在显著自相关性，说明模型的残差仍存在一些结构性关系，可能需要进一步改进，尤其是考虑自回归部分的修正。后，不同滞后期之间的直接相关性。

2024-09-29 16:36:42 1116 1

原创 R语言时间序列学习+代码记录1：趋势与季节性

通过去除趋势，剩下的部分就是时间序列中的季节性和随机波动，去趋势后的数据可以让你更好地观测季节性模式或周期性变化。比较三角函数模型的预测结果与哑变量模型的预测结果，通过观察预测区间长度，可以看出三角函数模型预测区间更宽。结果显示，模型可能存在自相关问题（Durbin-Watson统计量 = 1.19），需要进一步改进。虽然数据是单列的，但R仍然需要知道数据的时间维度（比如起始年份和每年的周期数）。去除趋势的主要目的是为了更清楚地分析数据中的其他模式，尤其是。期的预测区间，并通过指数变换恢复预测值。

2024-09-24 20:56:11 1353

原创【python】利用GPT-4实现selenium（网页自动化）爬虫

背景是这样：本人没有学过爬虫，目前需要做一项数据录入的任务。基本内容就是，在网站上输入股票代码，点击提示框内出现的公司名称，再根据查询到的结果录入对应的数据。由于这个工作操作具有重复性，并且查询量巨大，于是考虑采用爬虫录入试试。

2024-07-29 16:52:04 2252

原创 python报错“‘NoneType‘ object has no attribute ‘append‘”

犯了一个很傻的错误，记录一下。用append时直接a.append(xxx)便可，不要用变量接收。append功能为在列表后追加元素，返回值为none，所以将其赋值给变量的话变量就会变为none。下面代码就会出现报错'NoneType' object has no attribute 'append'

2023-08-01 18:53:06 1976 2

lxyhehehehe的博客