跳转至

📋 时间序列高频面试题清单

用法:能独立讲清的题打勾 - [x];讲不清的标 ⏳。

1. 基础与平稳性

📍 教学 → 00-基础与平稳性.ipynb

  • [ ] 时间序列三要素:趋势/季节/周期/噪声;加法与乘法模型
  • [ ] 弱平稳三条件:均值恒定、方差恒定、协方差只依赖滞后
  • [ ] 强平稳 vs 弱平稳:联合分布不变 vs 一、二阶矩稳定
  • [ ] 随机游走为什么非平稳:方差随 t 线性增长;差分后变白噪声
  • [ ] 平稳化手段:差分(去趋势/随机游走)、季节差分(去周期)、对数(稳方差)
  • [ ] ADF 检验:原假设有单位根;t 统计量越负越拒绝
  • [ ] ACF 定义与估计:ρ(k)=γ(k)/γ(0);去均值点积/方差
  • [ ] PACF 定义:逐阶回归取 x_{t-k} 的系数
  • [ ] 白噪声三特征 + Ljung-Box:Q=n(n+2)Σρ²/(n-k) ~ χ²(h)
  • [ ] 95% ACF 置信带 ±1.96/√n;越界提示自相关
  • [ ] 为什么建模前必须平稳(参数无意义 / 预测回归均值)
  • [ ] 差分阶数怎么定:ADF 不过就再差(d≤2)

2. ARMA 与 ARIMA

📍 教学 → 01-ARMA与ARIMA.ipynb

  • [ ] AR(p)/MA(q) 公式与含义:历史观测 vs 历史误差回归
  • [ ] ARIMA(p,d,q) = 差 d 阶再做 ARMA;SARIMA 加季节阶
  • [ ] AR(1) 平稳条件 |φ|<1;AR(p) 特征根在单位圆外
  • [ ] 为什么 MA 一定平稳:有限记忆
  • [ ] ACF/PACF 定阶表:AR→PACF 截尾、MA→ACF 截尾、ARMA 都拖尾
  • [ ] AR 怎么估计:OLS;MA 怎么估计:反解误差迭代/网格/MLE
  • [ ] AIC/BIC 公式与差异:-2lnL+2k vs -2lnL+k·ln n(BIC 更严)
  • [ ] 预测怎么外推:AR 递归代入;长期预测收敛均值(回归均值)
  • [ ] 预测区间为什么变宽:误差逐期累积 σ√h
  • [ ] 残差诊断:Ljung-Box 白噪声检验
  • [ ] ARIMA 的局限:线性、单变量、长序列/非线性不行
  • [ ] 什么时候升级 ML/DL:非线性、多变量、外生特征、长依赖

3. 指数平滑与分解

📍 教学 → 02-指数平滑.ipynb、03-时间序列分解.ipynb

  • [ ] SES 公式与 α 含义:ŷ=αy+(1-α)ŷ;等效 ARIMA(0,1,1)
  • [ ] Holt 加趋势:ℓ 水平 + b 斜率;预测 ℓₜ+hbₜ
  • [ ] Holt-Winters 加季节:加法/乘法;γ 控季节平滑
  • [ ] α/β/γ 怎么选:网格/优化最小化 SSE(留出或 CV)
  • [ ] 指数平滑适用:单变量、低延迟、可解释(销售/库存/监控)
  • [ ] 分解加法模型 y=T+S+R;乘法 y=T×S×R(对数转加法)
  • [ ] 经典分解三步:MA 去趋势 → 周期均值季节指数 → 残差
  • [ ] 中心化 MA 为什么偶数周期两步平均
  • [ ] STL vs 经典分解:LOESS 迭代、季节可漂移、鲁棒
  • [ ] 残差诊断:Ljung-Box + 残差方差占比
  • [ ] 季节检测:季节指数显著偏离 0 / 周期自相关显著
  • [ ] 乘法分解注意:数据须为正

4. 特征工程与机器学习

📍 教学 → 04-特征工程与机器学习.ipynb

  • [ ] 滑窗特征构造:X=[y_{t-k}…y_{t-1}],目标 y_t
  • [ ] 滞后阶数怎么定:ACF 显著滞后 + 业务周期(7/30)
  • [ ] 滚动统计特征:均值/标准差/最大值/斜率
  • [ ] 时间编码:星期 one-hot、小时 sin-cos(有序周期)
  • [ ] 为什么随机 K-Fold 不行:时间泄漏
  • [ ] ExpandingWindow vs RollingWindow:扩张 vs 滑动(适应漂移)
  • [ ] 四种泄漏:标准化用全量、特征混未来、目标重复、CV 随机
  • [ ] 归一化防泄漏:只用训练段统计量,预测后还原
  • [ ] 树模型 vs 线性:尺度敏感度、自动交互
  • [ ] 多步特征怎么滚动:预测值递归回填
  • [ ] 为什么先有基线:昨值重复/历史均值常打败复杂模型
  • [ ] 手写 ExpandingCV:训练在前、测试在后,绝不 shuffle

5. 深度学习时序

📍 教学 → 05-深度学习时序预测.ipynb

  • [ ] DL 做时序的优势:自动非线性/多变量/长依赖特征
  • [ ] LSTM 用法:滑窗 → 末时刻隐状态 → 输出
  • [ ] LSTM 参数量:PyTorch 口径 4H(H+D+2)=4480(两套权重+双 bias)vs 教科书 4H(H+D+1)
  • [ ] TCN:因果膨胀卷积,并行、感受野指数增长(k=2 时 RF=2^L)、无递归累积
  • [ ] Transformer 时序适配:位置编码 + 注意力;长序列 Informer
  • [ ] 递归多步的缺点:误差逐期累积(一步错步步错)
  • [ ] 直接多步:多输出头/每步一个模型;各步独立不累积
  • [ ] Seq2Seq / teacher forcing:训练用真实值、推理用预测值(exposure bias)
  • [ ] 为什么按步长拆开评估:第 1 步误差必然最小
  • [ ] 归一化还原:MinMax 后乘回尺度;全量统计=泄漏
  • [ ] 梯度裁剪:RNN/LSTM 常见 clip=1.0 治爆炸
  • [ ] 窗口长度:覆盖最强周期;太短缺信息
  • [ ] N-BEATS / iTransformer / 基础模型:当前基准
  • [ ] 数据量小:统计/ML 更稳;DL 简单结构+正则
  • [ ] 预测不确定性:MC Dropout / 分位数回归 / 集成

6. 评估与异常检测

📍 教学 → 06-评估与异常检测.ipynb

  • [ ] MAE / MSE / RMSE:鲁棒 vs 放大最坏(Jensen:RMSE≥MAE)
  • [ ] MAPE 的坑:y=0 爆炸、非对称;sMAPE 对称有界 0~200%
  • [ ] MASE:除以训练集 naive 误差 → 无单位、跨序列可比(<1 即赢过"预测=昨天")
  • [ ] pinball 损失 / 分位数回归:不对称损失评估分位;[q05,q95] 覆盖率≈90%
  • [ ] 时序评估注意:按步长拆开、必须对比基线
  • [ ] z-score 异常检测:|x-μ|/σ>3;正态假设(会被离群污染,可用 MAD)
  • [ ] IQR 法:Q1-1.5IQR / Q3+1.5IQR 之外;分位数稳健
  • [ ] 滚动窗口法:局部均值±k·局部标准差;适应漂移
  • [ ] STL 残差异常检测:季节数据先分解再在残差上 z-score
  • [ ] EWMA / CUSUM:平滑报警 vs 累积抓缓慢漂移
  • [ ] 阈值怎么选:P/R 曲线 + F1;按业务成本定倾向
  • [ ] Precision/Recall/F1 公式
  • [ ] 尖峰 vs 漂移检测区别:CUSUM/分位回归
  • [ ] 异常检测防泄漏:滚动统计只用历史窗口
  • [ ] 无标签怎么评估:人工抽样 + 检出率/误报率
  • [ ] 报警抖动:连续 N 次触发/冷却期/平滑分数

7. 综合与场景题

📍 教学 → 07-时间序列面试八股.ipynb(110 问 + 8 手撕)

  • [ ] 从真实业务序列讲完整链路:看图 → 平稳化 → 建模 → 评估 → 异常监控
  • [ ] 对比 ARIMA vs 指数平滑 vs ML vs DL 的适用边界
  • [ ] 口算:±1.96/√n 置信带、σ√h 区间扩张、SES≡ARIMA(0,1,1)
  • [ ] 场景题四步闭环:基线 → 方法 → 区间 → 监控(缺货预警为例)
  • [ ] 概念漂移检测:误差 EWMA 超 2σ 触发重训 / PSI
  • [ ] 冷启动无标签阈值:无监督打分 + 人工抽样校准
  • [ ] 面试 30 秒骨架(见 README.md)

8. 手撕默写清单(白板题)

  • [ ] 手写 ACF(ρ(0)≡1,注意 x[:-0] 空数组)与逐阶回归 PACF
  • [ ] 手写一阶/季节差分 + 简化 ADF(OLS + t 统计量)
  • [ ] 手写 AR(p) 的 OLS 估计(滞后矩阵构造)
  • [ ] 手写 AIC 自动定阶(网格扫 p)
  • [ ] 手写 SES 一步 / Holt 两步 / Holt-Winters 三组递推
  • [ ] 手写季节指数(去趋势后周期位置均值,避开 MA 边界)
  • [ ] 手写中心化移动平均(偶数周期两步平均,相位对齐)
  • [ ] 手写滑窗特征 + ExpandingWindow 时序 CV
  • [ ] 手写泄漏演示:全量 vs 训练段标准化
  • [ ] 手写因果膨胀卷积(左补零 + dilation=2^l,感受野 2^L)
  • [ ] 手写 z-score / IQR / 滚动窗口异常检测
  • [ ] 手写 EWMA / CUSUM(累积抓漂移)
  • [ ] 手写 P/R 扫描与 F1 阈值选择
  • [ ] 手写 MAE/MSE/RMSE/MAPE/sMAPE 并与 sklearn 逐位一致
  • [ ] 手写 MASE 与 pinball 损失

教程来源:Akun-python/autumn-recruitment。 MIT 许可证全文。