分类目录归档：自研课程
以下是一个关于“AI from zero to hero”一年的视频课程大纲：
第一季度：基础构建（第 1 - 3 个月）
第二季度：机器学习深入（第 4 - 6 个月）
以下是一份补充了人工智能、机器学习和深度学习相关内容的“个人量化全栈开发 - 自研课程”大纲：
本课程旨在培养学员成为具备全栈开发能力且能运用人工智能技术的量化开发者，全面涵盖前端、后端、数据库、量化策略开发以及人工智能相关领域知识，通过丰富的实际项目案例，使学员掌握从数据获取、分析到可视化展示，以及构建智能量化交易系统的综合技能，为进入量化金融与人工智能融合的前沿领域或提升个人专业能力奠定坚实基础。
TSLib 是由清华大学机器学习实验室（THUML）开源的面向深度学习研究者的时间序列分析工具库，核心聚焦于深度时间序列模型的评测与研发，是一个功能全面、易扩展的代码基准库。
提供整洁、统一的代码框架，支持长短期预测、缺失值插补、异常检测、分类五大主流时间序列任务，同时适配大型时间序列模型（LTSM）的零样本预测评估，既可以复现SOTA模型，也能快速开发自定义模型。
覆盖数十种主流/前沿时间序列模型，且持续更新： - 经典基础模型：Transformer、Informer、Auto...
TSLib 是一个开源的深度学习库，专为深度学习研究人员设计，尤其适用于深度时间序列分析。该库提供了简洁的代码基础，用于评估先进的深度时间序列模型或开发新模型，涵盖了五个主流任务：长期和短期预测、缺失值填补、异常检测和分类。
PyFlux 是一个专为 概率时间序列分析 设计的 Python 库，它将现代统计模型与贝叶斯推断框架相结合，提供了从数据预处理到模型诊断的完整工作流程。以下是该库所有核心功能的系统性介绍。
PyFlux 的设计基于三个支柱： - 贝叶斯优先：默认使用 MCMC 等贝叶斯方法进行参数估计，提供完整的后验分布而非点估计 - 状态空间统一：多数模型可表示为状态空间形式，统一处理观测方程和状态方程 - 模块化架构：模型构建、参数估计、预测和诊断相互独立，可灵活组合
pf...在金融时间序列分析中，“波动”是一个核心概念，它直接关系到风险评估、资产定价和投资决策。传统的统计模型通常假设数据的方差恒定（即“同方差”），但金融数据（如股票收益率、汇率波动）往往表现出“波动聚类”特征——大的波动之后往往跟随大的波动，小的波动之后往往跟随小的波动，这种方差随时间变化的特性被称为“异方差”。GARCH模型正是为捕捉这种动态波动特性而设计的经典工具。
GARCH模型的全称是广义自回归条件异方差模型（Generalized Autoregressive Conditional Heteroskedasticity Mode...
在实际深度学习时序预测中，“数据量小/大”没有绝对标准，但有一些经验参考：
数据量小：
通常指样本数低于几千条（如<2000~3000），或者训练集天数少于1年（A股5分钟数据一天48条，1年约1万条）。 特征维度多时，样本数/特征数比值低于10~20，也算偏小。 小数据下，复杂模型（如一次性多步Seq2Seq）容易过拟合，递归单步预测更稳健。 数据量大：
样本数达到几万条以上（如>10000~20000），或训练集覆盖2年以上。 特征维度不多时，样本数/特征数比值高于50~100。 大数据下，一次性多步预测模型能学到更复杂的时序关系，效果更好。 预测步数（序列长度）：
短步...
在时间序列预测中，确定性过程建模是指识别和建模时间序列中那些非随机、可预测、有规律可循的组成部分。这些成分通常由已知的、固定的模式驱动，而不是由随机波动主导。
理解时间序列的典型分解有助于理解确定性过程：
以下是常见的时间序列预测模型的分类梳理，以Markdown表格形式呈现：
| 类别 | 模型名称 | 核心描述 | 适用场景 |
|---|---|---|---|
| 传统统计模型 | AR (自回归模型) | 用历史值的线性组合预测未来值 | 平稳序列，短期预测 |
| MA (移动平均模型) | 用历史白噪声的线性组合预测未来 | 平稳序列，噪声处理 | |
| ARMA | AR与MA的组合模型 | 平稳时间序列 | |
| ARIMA | 加入差分处理的ARMA扩展 | 非平稳序列（需差分平稳化） | |
| SARIMA | 加入季节性差分的ARIMA | 具有季节性的非平稳序列 | |
| ETS (指数平滑) | 加权平均历史观测值（含趋势/季节分量） | 趋势和季节性... |