Optiver是全球頂尖的量化交易公司。10個(gè)月前，Optiver在Kaggle上面辦的一場(chǎng)預(yù)測(cè)股票市場(chǎng)波動(dòng)率的比賽。
這場(chǎng)比賽吸引了超過(guò)3800支隊(duì)伍參加，其中相當(dāng)一部分選手夢(mèng)想著訓(xùn)出一個(gè)模型、指導(dǎo)購(gòu)買(mǎi)股票、一夜暴富，迎娶白富美走上人生巔峰。
然后當(dāng)然是沒(méi)有然后的。
這場(chǎng)比賽的落地場(chǎng)景——金融量化正是時(shí)間序列預(yù)測(cè)應(yīng)用最廣泛的領(lǐng)域之一。并且隨著機(jī)器學(xué)習(xí)和深度學(xué)習(xí)算法地更廣泛應(yīng)用，時(shí)間序列預(yù)測(cè)的落地場(chǎng)景越來(lái)越多，比如供應(yīng)鏈、零售、交通等等等等。
廣義線性模型，xgboost等機(jī)器學(xué)習(xí)方法，LSTM，CNN，Transformer等深度學(xué)習(xí)方法都可以用于時(shí)間序列預(yù)測(cè)
傳統(tǒng)統(tǒng)計(jì)學(xué)方法比如ARIMA, ETS, GARCH等，盡管不需要大量樣本數(shù)據(jù)即可構(gòu)建模型，但需要從業(yè)人員對(duì)時(shí)序相關(guān)的統(tǒng)計(jì)學(xué)有深入的理解，并且當(dāng)存在非線性特征等復(fù)雜情況時(shí)，需要進(jìn)行手工特殊處理，不利于規(guī)模化預(yù)測(cè)。
機(jī)器學(xué)習(xí)&深度學(xué)習(xí)盡管存在模型可解釋性差、需要大量樣本數(shù)據(jù)訓(xùn)練模型等劣勢(shì)，但是這種劣勢(shì)對(duì)于有著海量數(shù)據(jù)、對(duì)自動(dòng)化和準(zhǔn)確性的要求大于可解釋性的工業(yè)和商業(yè)領(lǐng)域來(lái)說(shuō)，算不上什么缺點(diǎn)。
01?金融領(lǐng)域
企業(yè)現(xiàn)金流預(yù)測(cè)、金融量化
02?IT領(lǐng)域
智能運(yùn)維異常檢測(cè)等
03?零售定價(jià)
航班定價(jià)、電影票定價(jià)
04?供應(yīng)鏈
人員排班計(jì)劃、生產(chǎn)排程計(jì)劃
?直播預(yù)告?
8月19日-8月20日、時(shí)序算法專家YY，直播分享——
01 時(shí)間序列預(yù)測(cè)概論（8月19日）
時(shí)間序列預(yù)測(cè)及其應(yīng)用場(chǎng)景
時(shí)間序列預(yù)測(cè)所需知識(shí)和技能儲(chǔ)備
如何分析時(shí)間序列的特點(diǎn)
02?時(shí)間序列預(yù)測(cè)算法入門(mén)（8月20日）
Prophet算法原理介紹
Prophet算法代碼實(shí)踐
掃碼支付0.1元預(yù)約直播
直播結(jié)束后提供課件&代碼數(shù)據(jù)集
01?綜述
Time-series forecasting with deep learning a survey(2021)
02?GNN用于時(shí)序預(yù)測(cè)
Spatio-temporal graph convolutional networks-a deep learning framework for traffic forecasting（2017）
03?多層級(jí)時(shí)序預(yù)測(cè)
Optimal combination forecasts for hierarchical time series(2011)
Simultaneously Reconciled Quantile Forecasting of Hierarchically Related Time Series(2021)
04?RNN用于時(shí)序預(yù)測(cè)
Deep AR-Probabilistic Forecasting with Autoregressive Recurrent Networks（2017）
Deep and Confident Prediction for Time Series at Uber(2017)
05?具體領(lǐng)域的時(shí)序預(yù)測(cè)
Anomaly Detection at Scale-The Case for Deep Distributional Time Series Models（2020）
Reframing demand forecasting- a two-fold approach for lumpy and intermittent demand（2021）
06?CNN用于時(shí)序預(yù)測(cè)
Probabilistic forecasting with temporal convolutional neural network（2020）
A Multi-Horizon Quantile Recurrent Forecaster(2017)
07?ML算法用于時(shí)序預(yù)測(cè)
Fast and scalable Gaussian process modeling with applications to astronomical time series（2017）
Forecasting at Scale(2017)
08?傳統(tǒng)統(tǒng)計(jì)學(xué)與深度學(xué)習(xí)結(jié)合
Adjusting for Autocorrelated Errors in Neural Networks for Time Series Regression and Forecasting(2021)
Deep Factors for Forecasting(2019)
Deep State Space Models for Time Series Forecasting(2018)
N-BEATS,Neural basis expansion analysis for interpretable time series forecasting(2020)
09?Transformer用于時(shí)序預(yù)測(cè)
Informer-Beyond Efficient Transformer for Long Sequence Time-Series Forecasting(2020)
Temporal Fusion Transformers for interpretable multi-horizon time series forecasting(2021)
enhancing-the-locality-and-breaking-the-memory-bottleneck-of-transformer-on-time-series-forecasting-Paper(2019)
10?時(shí)序領(lǐng)域的數(shù)據(jù)增強(qiáng)
Improving the Accuracy of Global Forecasting Models using Time Series Data Augmentation（2020）
?直播預(yù)告?
8月19日-8月20日、時(shí)序算法專家YY，直播分享——
01 時(shí)間序列預(yù)測(cè)概論（8月19日）
時(shí)間序列預(yù)測(cè)及其應(yīng)用場(chǎng)景
時(shí)間序列預(yù)測(cè)所需知識(shí)和技能儲(chǔ)備
如何分析時(shí)間序列的特點(diǎn)
02?時(shí)間序列預(yù)測(cè)算法入門(mén)（8月20日）
Prophet算法原理介紹
Prophet算法代碼實(shí)踐
掃碼支付0.1元預(yù)約直播
直播結(jié)束后提供課件&代碼數(shù)據(jù)集
