📈 11-时间序列¶
目标:把「时间序列」讲成一条主线——平稳性(00)→ ARMA/ARIMA(01)→ 指数平滑(02)→ 分解(03)→ 特征工程+机器学习(04)→ 深度学习(05)→ 评估与异常检测(06)→ 面试八股(07)。 面试考察的不是背公式,而是 怎么判断平稳、怎么选模型、怎么评估、预测或监控时踩过哪些坑。
复习策略¶
- 先建平稳性直觉(00):趋势/季节/噪声三要素 → 弱平稳三条件 → 差分/ADF → ACF/PACF → 白噪声/Ljung-Box,理解"建模前先平稳化"
- 统计模型两条线(01-03):
- ARMA/ARIMA:AR=历史观测回归、MA=历史误差回归;ACF/PACF 定阶、AIC/BIC 选阶、OLS/网格估计
- 轻量递推:SES(等价 ARIMA(0,1,1))→ Holt 加趋势 → Holt-Winters 加季节 → 经典分解(MA+季节指数)与 STL
- 机器学习路线(04-05):滑窗特征(滞后/滚动/时间编码)→ 时序 CV(Expanding,防泄漏)→ Ridge/HGB → LSTM(参数量手算)/Seq2Seq+Teacher Forcing/TCN/Transformer → 递归 vs 直接多步 → MC Dropout 不确定性
- 评估与监控(06):MAE/MSE/RMSE/MAPE/sMAPE/MASE 手写对照 → pinball/分位数回归区间 → z-score/IQR/滚动窗口/STL 残差/EWMA/CUSUM 异常检测 → P/R 阈值 + 业务成本
- 手推优先:ACF/PACF、ADF t 统计量、AR 的 OLS、AIC、SES/Holt/HW 递推、滑窗特征、ExpandingCV、指标公式
时间序列笔记索引(教学/,8 篇,全部含推导 + 手写实现 + 对照验证 + 自测清单)¶
| 篇目 | 核心内容 | 对照验证 |
|---|---|---|
| 00-基础与平稳性 | 三要素/弱平稳三条件/差分/ADF/ACF·PACF/Ljung-Box/KPSS/虚假回归 | 随机游走 vs 差分 ADF 符号、白噪声 ACF≈0 断言 |
| 01-ARMA与ARIMA | AR OLS 估计/MA 网格搜索/ACF·PACF 定阶/AIC 选阶/多步预测/信息准则手算 | AR(1)/AR(2) 系数估计误差 <0.1、AIC 选出 p=2 |
| 02-指数平滑 | SES/Holt/Holt-Winters 手写/网格选参/95% 区间 ±1.96σ√h/与 ARIMA(0,1,1) 等价 | 留出集 MAE 阈值、区间覆盖率 >0.8 |
| 03-时间序列分解 | 中心化移动平均/季节指数/残差诊断/Ljung-Box/STL 对比/加法乘法模型/季节强度 | 季节幅度≈10、残差白噪声 p>0.05、方差占比 <10% |
| 04-特征工程与机器学习 | 滞后/滚动统计/时间编码/ExpandingWindow/泄漏演示/树模型置换重要性 | Ridge MAE < 昨值重复×0.8、泄漏版 MAE > 干净版×1.1 |
| 05-深度学习时序预测 | 滑窗数据集/LSTM 门控+参数量手算/窗口长度扫描/递归 vs 直接多步/Seq2Seq+Teacher Forcing/TCN 感受野/attention toy/位置编码/MC Dropout/梯度裁剪 | LSTM MSE < 基线×0.8、参数量 4H(H+D+2)=4480、TCN RF=2^L 断言 |
| 06-评估与异常检测 | MAE/MSE/RMSE/MAPE/sMAPE/MASE 手写 vs sklearn/pinball·分位数回归/z-score·IQR·滚动窗口/STL 残差/EWMA/CUSUM/P-R | 指标逐位一致、三类检测抓尖峰、F1>0.8、CUSUM 抓漂移断言 |
| 07-时间序列面试八股 | 110 连问(7 组×15+)+ 8 手撕(ACF/AR-OLS/SES/中心化MA/ExpandingCV/泄漏/LSTM/TCN)+ 谱系 | 手撕题目全部可执行 |
本目录规划¶
11-时间序列/
├── README.md # 本文件
├── 高频面试题.md # 分类面经清单(带 TODO 打勾)
└── 教学/ # ✅ 8 篇 Jupyter notebook(推导 + 代码 + 对照 + 自测)
└── images/ # 部分 notebook 落盘的插图
面试 30 秒速答(背诵骨架)¶
平稳与识别
- 弱平稳三条件:均值/方差恒定、协方差只依赖滞后;随机游走非平稳(方差随 t 增长)
- ADF:Δy = α + βt + γy_{t-1} + …,检验 γ=0;t 越负越拒绝;差分 d≤2
- ACF/PACF 定阶:AR→PACF 截尾、MA→ACF 截尾、ARMA 都拖尾;置信带 ±1.96/√n
- 白噪声:ACF 全 0;Ljung-Box Q 大 → 有残留自相关
模型
- AR(p):OLS 直接估;MA(q):反解误差迭代/网格;AIC/BIC:-2lnL+2k vs -2lnL+k·ln n
- SES:ŷ=αy+(1-α)ŷ,等价 ARIMA(0,1,1);Holt 加趋势 ℓₜ+hbₜ;HW 加季节 sₜ(加法/乘法)
- 分解:MA 去趋势 → 周期均值季节指数 → 残差;中心化 MA 偶数周期两步平均;STL=LOESS 迭代
- 特征+ML:滞后(AR 泛化)/滚动统计/时间编码;随机 K-Fold 泄漏 → ExpandingWindow
- 多步:递归(误差累积)vs 直接(各步独立)vs Seq2Seq;按步长拆开评估
- 评估与异常:MAPE 怕 0、sMAPE 对称有界、MASE 除以 naive 无单位;pinball 评估区间;z-score/IQR/滚动/STL 残差/EWMA/CUSUM;P/R-F1 挑阈值
- LSTM 参数:PyTorch 口径 4H(H+D+2)(两套权重+双 bias),教科书口径 4H(H+D+1)
验收标准¶
- [x]
高频面试题.md覆盖 平稳性 / ARMA / 平滑·分解 / 特征工程 / 深度学习 / 评估·异常 - [x] 时间序列笔记 8 篇,全部含推导 + 手写实现 + 对照验证 + 自测清单
- [x] 能手推:ACF/PACF、ADF、AR 的 OLS、AIC、SES/Holt/HW 递推、滑窗特征、ExpandingCV、指标公式
- [x] 能口算:±1.96/√n 置信带、ARIMA(0,1,1) 与 SES 等价、σ√h 区间扩张、多步递归误差累积
- [x] 全部 notebook 代码经批量执行验证(numpy/sklearn/torch 对照断言通过)
💡 手推优先级建议:ACF 公式 → ADF t 统计量 → AR 的 OLS → AIC → SES/Holt 两步 → HW 季节项 → 滑窗特征 → ExpandingCV → z-score 异常检测 → sMAPE。