具体描述
This is the first book that integrates useful parametric and nonparametric techniques with time series modeling and prediction, the two important goals of time series analysis. Such a book will benefit researchers and practitioners in various fields such as econometricians, meteorologists, biologists, among others who wish to learn useful time series methods within a short period of time. The book also intends to serve as a reference or text book for graduate students in statistics and econometrics.
作者简介
目录信息
1 Introduction
1.1 Examples of Times Series
1.2 Objectives of Time Series Analysis
1.3 Linear Time Series Models
1.4 What Is a Nonlinear Time Series？
1.5 Nonlinear Time Series Models
1.6 From Linear to Nonlinear Modes
1.7 Further Reading
1.8 Software Implementations
2 Characteristics of Time Series
2.1 Stationarity
2.2 Autocorrelation
2.3 Spectral Distributions
2.4 Periodogram
2.5 Long—Memory Processes
2.6 Mixing
2.7 Complements
2.8 Additional bibliographical Notes
3 ARMA Modeling and Forecasting
3.1 Models and Background
3.2 The Best Linear Prediction———Prewhitening
3.3 Maximum Likelihood Estimation
3.4 Order Determination
3.5 Diagnostic Checking
3.6 A Real Data Example———Analyzing German Egg Prices
3.7 Linear Forecasting
4 Parametric Nonlinear Time Series Modes
4.1 Threshold Models
4.2 ARCH and GARCh Models
4.3 Bilinear Models
4.4 Additional Bibliographical notes
5 Nonparametric Density Estimation
5.1 Introduction
5.2 Kernel Density Estimation
5.3 Windowing and Whitening
5.4 Bandwidth Selection
5.5 boundary Correction
5.6 Asymptotic Results
5.7 Complements———Proof of Theorem 5.3
5.8 Bibliographical Notes
6 Smoothing in Time Series
6.1 Introduction
6.2 Smoothing in the Time Domain
6.3 Smoothing in the State Domain
6.4 Spline Methods
6.5 Estimation of Conditional Densities
6.6 Complements
6.7 Bibliographical Notes
7 Spectral Density Estimation and Its Applications
7.1 Introduction
7.2 Tapering， Kernel Estimation， and Prewhitening
7.3 Automatic Estimation of Spectral Density
7.4 Tests for White Noise
7.5 Complements
7.6 bibliographical Notes
8 Nonparametric Models
8.1 Introduction
8.2 Multivatriate Local Polynomial Regression
8.3 Functional—Coefficient Autoregressive Model
8.4 Adaptive Functional—Coefficient Autoregressive Models
8.5 Additive Models
8.6 Other Nonparametric Models
8.7 Modeling Conditional Variance
8.8 Complements
8.9 Bibliographical Notes
9 Model Validation
9.1 Introduction
9.2 Generalized Likelihood Ration Tests
9.3 Tests on Spectral Densities
9.4 Autoregressive versus Nonparametric Models
9.5 Threshold Models versus Varying—Coefficient Models
9.6 Bibliographical Notes
10 Nonlinear Prediction
10.1 Features of Nonlinear Prediction
10.2 Point Prediction
10.3 Estimating Predictive Distributions
10.4 Interval Predictors and Predictive Sets
10.5 Complements
10.6 Additional Bibliographical Notes
References
Author index
Subject index
· · · · · · (收起)
读后感
去年暑假有幸听了范剑青先生的课，确实是大家啊，华人骄傲，行业top，看到豆瓣竟然没有老师的长评，特来添砖加瓦 说回时间序列，现在的方向都是高维，时空数据了，大数据时代下，机器学习和统计都发展势头很猛，祝所有学子都能成功，中国学者越来越有话语权 时间序列主要还是金...
去年暑假有幸听了范剑青先生的课，确实是大家啊，华人骄傲，行业top，看到豆瓣竟然没有老师的长评，特来添砖加瓦 说回时间序列，现在的方向都是高维，时空数据了，大数据时代下，机器学习和统计都发展势头很猛，祝所有学子都能成功，中国学者越来越有话语权 时间序列主要还是金...
时间序列本来就是比较难的内容，再加上非参半参就更复杂。这本书的妙处在于内容虽然难，技术虽然复杂，作者却没有纠结在这些让读者可能会觉得头痛的地方。作者传递的是背后重要的统计思想，以及实际操作的方法，所以其非常容易上手，而且极具启发性。不愧是范大师啊，膜拜。
时间序列本来就是比较难的内容，再加上非参半参就更复杂。这本书的妙处在于内容虽然难，技术虽然复杂，作者却没有纠结在这些让读者可能会觉得头痛的地方。作者传递的是背后重要的统计思想，以及实际操作的方法，所以其非常容易上手，而且极具启发性。不愧是范大师啊，膜拜。
时间序列本来就是比较难的内容，再加上非参半参就更复杂。这本书的妙处在于内容虽然难，技术虽然复杂，作者却没有纠结在这些让读者可能会觉得头痛的地方。作者传递的是背后重要的统计思想，以及实际操作的方法，所以其非常容易上手，而且极具启发性。不愧是范大师啊，膜拜。
用户评价
我是一个数据科学爱好者，最初接触时间序列时，总是被那些充斥着“平稳性检验”、“协整关系”的术语搞得晕头转向。直到我遇到了这本关于复杂序列分析的著作，我的整个认知世界才被彻底颠覆。这本书的叙事方式非常独特，它没有一上来就抛出高深的数学公式，而是用一系列引人入胜的案例来“诱导”你思考：为什么简单的线性模型在面对生物钟的周期性变化或者气候系统的长期反馈时会显得如此苍白无力？作者的笔触非常富有画面感，他巧妙地将混沌理论中的“蝴蝶效应”概念融入到时间序列的预测误差分析中，让人不得不警惕模型设定的微小偏差如何导致长期的灾难性后果。阅读过程中，我感觉自己像是在跟随一位经验丰富的探险家，穿梭于复杂的非线性动力学景观中。对于初学者来说，前半部分的“直觉构建”部分至关重要，它帮助我们建立起对非线性系统固有属性的感性认识，这比死记硬背公式要有效得多。虽然某些章节的理论深度需要反复阅读，但正是这种挑战性，让我体会到了真正理解一个复杂系统的美妙。这本书真正做到了理论与实际应用的完美融合，让我对数据背后的世界有了更深刻的敬畏。
这本书简直是为那些渴望在数据迷雾中拨开云雾、寻找潜在规律的硬核分析师准备的终极指南。从翻开第一页开始，我就被作者那种毫不妥协的数学严谨性所折服。它不像市面上许多同类书籍那样，满足于给出一些浅尝辄止的公式和模型应用，而是真正深入到非线性动力学的核心肌理之中。书中对状态空间模型（State-Space Models）的讲解极其细致，特别是如何处理那些隐藏的、不可观测的变量对时间序列的影响，简直是教科书级别的阐述。我特别欣赏作者在引入ARCH和GARCH族模型时所采用的渐进式教学法，每一步的数学推导都清晰可见，让你不仅知道“怎么做”，更重要的是理解“为什么这么做”。对于我这种需要处理高频金融数据和复杂系统预测的专业人士来说，这本书提供的工具箱是无价的，它能帮助我构建出那些更能捕捉市场“尖峰”和“波动集群”的复杂模型，而不是仅仅依赖于那些建立在线性假设之上的简单ARIMA。如果你的目标是掌握时间序列分析的前沿阵地，这本书绝对是绕不开的壁垒，需要你投入大量的时间和精力去消化，但其回报是巨大的，它将你的分析能力提升到了一个新的维度。
说实话，这本书的排版和设计风格完全是走学院派的硬核路线，如果你期待的是那种轻松愉快的阅读体验，那可能会大失所望。它的文字密度极高，几乎没有一句是废话，每一个标点符号的背后似乎都隐藏着一个需要深思熟虑的数学前提。我特别喜欢它在处理高维时间序列的识别和降维技术时所展现出的深刻洞察力。作者并没有简单地介绍主成分分析（PCA），而是探讨了如何结合非线性映射（如核方法）来提取那些隐藏在多个相关变量背后的、驱动整个系统演化的核心维度。书中对循环神经网络（RNN）在处理这类问题上的局限性进行了犀利的批判，并提出了基于信息论的替代性方法，这让我对当前深度学习在时间序列分析中的应用有了更审慎的看法。对于希望从“会用工具”提升到“创造工具”层面的研究人员而言，这本书提供的理论框架是无价的。它要求你不仅要理解模型，还要理解模型的失效边界，这才是区分高级分析师和普通数据科学家的关键所在。
我是一名金融工程专业的硕士生，我们实验室的教授强烈推荐我阅读这本关于复杂系统演化的专著。这本书的魅力在于其对模型选择和模型验证过程的近乎偏执的强调。作者非常清晰地阐述了在非线性框架下，如何进行稳健的模型检验，特别是针对那些具有高敏感性的参数估计。我对其中关于“相空间重构”的章节印象最为深刻，作者通过一系列精妙的例子，展示了如何仅凭一个单变量时间序列，就能在理论上重建出驱动该序列的潜在低维吸引子。这简直是“从局部看整体”的数学体现。书中对延迟嵌入维度的确定和伪周期性的辨识给出了详尽的算法和理论依据，这对于我们构建高频交易的预测模型至关重要，因为我们无法承受错误的嵌入参数带来的巨大风险。这本书的语言风格非常务实，没有太多花哨的比喻，每一句话都是为了传递一个精确的概念或一个经过验证的数学结论。它无疑是一块试金石，能检验一个学习者是否真正掌握了处理复杂、非线性世界的能力。
这是一本需要咖啡和大量空白笔记本来对待的“巨著”。我个人认为，这本书最宝贵的地方在于它对“非平稳性”这个老大难问题的全新视角。传统方法倾向于通过差分或变换将序列“驯服”成平稳形式，但作者却坚持认为，正是这种非平稳性本身，包含了关于系统结构和演化机制的最重要信息。书中对分形时间序列和长程依赖性的讨论非常精彩，它巧妙地引入了赫斯特指数（Hurst Exponent）的概念，并将其作为衡量序列记忆长度的标尺。这种从根本上挑战传统假设的勇气，是这本书脱颖而出的关键。我花了整整一个周末才完全理解了作者是如何将多重分形分析（Multifractal Analysis）应用于评估市场效率的。这本书的阅读过程充满了“啊哈！”的瞬间，但同时也伴随着挫败感，因为它不断地向你展示现有工具的不足之处，并迫使你思考更深层次的结构性问题。它不是一本用来快速解决眼前问题的工具书，而是一部引导你进行思维升级的哲学性指南。
