时间序列分析是重要的数据分析技术。当面对季节性、周期性变化数据时，传统的回归拟合技术难以奏效，此时就需要使用较为复杂的时间序列模型。对于电子商务销售量预测，股市行情预测等众多场景，时间序列是重要的分析利器，各种股市指标，平均线，都可以在时间序列里找到其统计学背景和依据。由于时间序列分析技术的复杂性，我们在基础课程里几乎没有涉及此项内容，现在开设本门课程的目的，就是以金融数据分析作为背景场景，用来剖析此项建模方法的细节和应用场景，由于金融场景对于大部分人来说都比其它场景案例更易于理解，因此 时间序列+金融数据分析 这两者结合，可谓双剑合璧，更容易达到举一反三的效果。即使本身并非从事金融领域或者将来并无兴趣从事量化投资工作的朋友，也可以在本课程里获益，达到熟练掌握时间序列分析手段的课程目标。

【课程内容】

第1课 金融数据分析和量化投资、时间序列、统计学的基本概念
第2课 金融时间序列的基本性质 均值、方差、自相关性、平稳性、随机性
第3课 人生就像心电图有高有低——平稳时间序列模型 AR、MA及ARMA模型简介
第4课 房价具有上涨趋势，只涨不跌——确定趋势建模 通过传统回归方法估计非常数均值趋势模型的参数
第5课 不同季节人们的消费习惯也不一样——季节模型 针对具有一定循环或周期性的数据
第6课 并非所有事情都会一帆风顺——非平稳时间序列分析 通过差分平稳化构建的ARIMA模型
第7课 实践是检验真理的唯一标准——应用实例与模型比较 通过实际的金融数据分析实例来熟悉各个，并比较各个模型的优劣
第8课 资产收益波动率并非是一个常数——条件异方差模型及应用 讨论用来描述资产收益率的波动率随时间而改变的各种经济计量模型
第9课 非线性是常态——金融时间序列的非线性模型及其应用 介绍非线性模型的检验与各种非线性时间序列的数学模型及其在金融中的应用
第10课 进军多维世界——多元时间序列分析 介绍简单的多元模型和协整的相关知识
第11课 大道至简——多元时间序列分析的简化与降维 主成分分析与因子模型
第12课 静止是相对的，运动是绝对的——动态数据的状态空间模型和Kalman滤波的简介
第13课 时间序列的最新发展——马尔可夫链特卡罗方法