金融中的人工智能

第2章　时间序列分析

在第1章中，我们介绍了人工智能、机器学习和深度学习。我们还探索了金融业是如何运作的，以及人工智能是如何改进金融业务流程的。我们认识到了提高金融业务可获得性的重要性。我们还了解了一种名为CRISP-DM的机器学习建模方法论。总的来说，第1章为在金融业应用人工智能以解决各种业务问题提供了必要的背景知识。

在本章中，我们将学习一种通过分析历史数据来预测未来行为的算法，该算法名为时间序列分析。时间序列分析是以一个变量——时间为基础的。它在特定的时间间隔内采集数据点，该过程又称为观测。

本章的目标是通过实例来帮助读者详细了解时间序列分析，并解释机器对机器（Machine-to-Machine，M2M）通信是如何有助于时间序列分析实现的。我们也将理解金融业涉及的相关概念。

在本章中，我们将介绍以下主题。

● 了解时间序列分析。

● M2M通信。

● 金融市场的基本概念。

● 人工智能模型。

● 使用时间序列分析进行需求预测。

● 基于Keras的神经网络在大宗商品采购中的应用。

2.1　了解时间序列分析

从技术上讲，时间序列是指在均匀间隔时间内捕获的变量值的有序序列。简单地说，它指在特定的时间间隔内捕获变量值。这个特定的时间间隔可以是1小时、1天，也可以是20分钟。这些捕获到的变量值也被称为数据点。时间序列分析还被用于预测、前馈控制、监测和反馈。以下是时间序列分析的一些已知应用。

● 效用研究。

● 股市分析。

● 天气预报。

● 销售预测。

● 工作量安排。

● 支出预测。

● 预算分析。

时间序列分析是通过应用各种分析方法，从各种数据源获取的原始数据中提取有意义的信息来实现的。时间序列分析还可用于生成统计数据和其他数据特征，例如数据的大小、数据的类型、数据的频率等。 ...