跳转至

📈 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

  1. 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"
  2. 统计模型两条线(01-03):
  3. 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
  4. 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
  5. 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
  6. 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
  7. 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。

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