金融时间序列建模：从零到精通

📚 共计 30 章节

金融时间序列导论

什么是金融时间序列？金融数据的特殊性（非平稳性、自相关性、异方差性）。课程概览与学习路径。

Python环境与工具链

Anaconda安装、Jupyter Notebook配置、Pandas/Numpy/Matplotlib/Statsmodels库简介。

数据获取与清洗

使用yfinance获取股票数据、处理缺失值、重采样、处理交易日历。

数据可视化基础

K线图绘制、移动平均线、成交量图、时间序列的自相关图（ACF/PACF）。

平稳性检验

什么是平稳性？ADF检验、KPSS检验、如何通过差分使序列平稳。

自回归模型（AR）

AR模型原理、阶数选择（PACF）、Python实现与预测。

移动平均模型（MA）

MA模型原理、阶数选择（ACF）、Python实现与预测。

自回归移动平均模型（ARMA）

ARMA模型原理、定阶（AIC/BIC）、模型诊断（残差检验）。

差分自回归移动平均模型（ARIMA）

ARIMA模型完整流程（识别-估计-诊断-预测）、实战案例。

季节性ARIMA（SARIMA）

季节性分解、SARIMA参数配置、周期数据建模。

波动率建模动机、ARCH模型原理、Python实现。

GARCH(1,1)详解、模型估计、波动率预测。

EGARCH与TGARCH

杠杆效应、非对称波动率模型、金融风险应用。

非对称风险

多元时间序列基础

协整检验、向量自回归模型（VAR）、格兰杰因果检验。

向量误差修正模型（VECM）

协整关系建模、长期均衡与短期动态。

状态空间模型

卡尔曼滤波原理、时变参数模型、Python实现。

状态空间滤波

机器学习入门

特征工程（技术指标构建）、滚动窗口验证、过拟合防范。

特征工程验证

线性回归与时间序列

带时间特征的线性回归、滞后变量、虚拟变量。

决策树与随机森林

树模型在时序预测中的应用、特征重要性分析。

树模型随机森林

支持向量机（SVM）

SVR用于回归预测、核函数选择、参数调优。

长短期记忆网络（LSTM）

RNN基础、LSTM原理、时间步与序列长度设计。

LSTM深度学习

股票价格预测案例、超参数调优、多步预测策略。

Transformer与时间序列

注意力机制、Informer模型简介、时序Transformer实践。

Transformer注意力

模型评估与回测

回测框架搭建、夏普比率、最大回撤、年化收益率。

VaR（风险价值）计算、条件VaR、压力测试。

高频数据与微观结构

Tick数据、已实现波动率、买卖价差分析。

高频微观结构

Fama-French三因子/五因子模型、因子暴露计算、Alpha剥离。

投资组合优化

均值-方差优化、Black-Litterman模型、风险平价。

实战项目一：股票趋势预测系统

数据获取→特征工程→模型训练→回测→部署。

实战项目二：波动率预测与期权定价

GARCH+机器学习混合模型。

项目波动率