Time series analysis

时间序列的入门书看了不少，这本《Time.Series.Analysis.With.Applications.in.R-Jonathan》算是比较平衡的一本。理论和应用都讲，讲得还挺自然。不是那种纯公式堆砌，也不是只教你点代码糊弄项目的书，读起来不会太累。 讲ARIMA的时候配了不少实际案例，是用R 语言建模的部分，代码清晰，思路也顺。你只要有点基础，看一遍就能上手试试自己的数据了。响应也快，调参不算复杂，适合做快速验证。 书里对协整和模型诊断讲得蛮细，像怎么判断残差白噪声、怎么做 Ljung-Box 检验这些都有，讲得还挺明白。你要是之前只用过 Excel 或者 SPSS 之类的做预测，读完

Acycle: Acycle是一个用于研究和教育的时间序列分析软件，提供强大的分析工具和用户友好的界面，适合学术研究和教学使用。

统计时间序列的入门书里，UNSW MATH 这本教材算是比较经典的。覆盖面广，讲得不深奥，适合刚接触时间序列的你。内容偏实用，讲了多现实例子，像医疗、工程、经济这些方向的都能用得上。 时间域和频率域的方法它都讲了，思路比较清晰，不会上来就整一堆公式吓人。理论部分点到为止，实战为主，读起来不会头大。你要是经常跟时间序列打交道，比如搞预测、做模型，拿它来当参考书也挺合适。 另外我找了些跟这本书相关的资源，想深入一点的可以顺着看：时间序列预测法、Pandas 时间序列数据、Matlab 时间序列代码这些都挺实用。 如果你是用Stata、SPSS之类做统计的，也有专门的资源讲怎么结合时间序列用工具，像

This Chaos Time Series Toolbox includes a variety of MATLAB programs for analyzing chaotic time series. The toolbox features methods for calculating delay time, embedding dimension, and various prediction techniques. The provided code is fully functional and ready to run, ensuring an effective and r

This MATLAB code imports time-series data related to riverbank and water depth coordinates in XY format, sampled every 10 minutes. The code calculates the cross-sectional area for each water depth and writes the following data to an Excel file: Date/Time, Water Depth, and the cross-sectional area fo

Time Series Database (TSDB) is a database system specifically designed for efficiently storing, managing, and processing time series data. This type of data typically involves numerical values associated with specific timestamps, commonly found in monitoring, IoT, financial transactions, and operati

Periods是一个函数，其目的是找到时间序列数据的主要谐波分量。该函数获取时间序列中主要谐波分量的周期、幅度和滞后相位。它基于循环下降的周期性回归方法，包括统计显著性检验。上述功能非常易于使用，并不需要用户完全理解时间序列理论或大量输入，但足够灵活以承担更复杂的任务，例如预测。此外，根据先前的知识，可以轻松地包括或排除特定时期。González-Rodríguez, E.等人提供了有关如何使用该功能的参考资料和更详细的信息；（2015）时间序列中周期的提取和建模的计算方法。开放统计杂志，5, 604-617。http://dx.doi.org/10.4236/ojs.2015.56062。P

给定时间序列，该算法生成随机变体，其中原始值都被保留（但它们的位置是随机的），但逐点Holder结构是固定的。这对于各种形式的假设检验很有用。参考文献：Keylock, CJ 2017. 保留逐点的多重分形代理数据生成算法Hölder规律结构，初步应用于湍流，Physical Review E 95, 032123，https://doi.org/10.1103/PhysRevE.95.032123。

该代码有助于填补时间序列数据中的空白。为此，它需要一个缺少日期和时间的 DateTime 数组以及具有相应缺失值的 测量数组。它将检查日期数组中缺少的日期，并为测量数组中的相应日期填充 NaN，这将有助于获取连续的时间序列数据。

在本论文中，我们将时间序列数据挖掘的方法应用到中日证券市场的比较问题中，并在聚类分析中定义新的函数以判别最优的分类数。我们发现：在指数收盘价时间序列比较方面，中日两个证券市场的确存在一定的相似性，但中国市场的短期波动要大于日本市场。因此，如果将日本证券市场的发展历史作为中国证券市场的事件库，不足以描述和预测中国证券市场的走势。同时，在中国证券市场上，深证成指比上证综指的短期波动幅度更大，具有更多的高频噪声。