時間序列分析是重要的數據分析技術。當面對季節性、周期性變化數據時，傳統的回歸擬合技術難以奏效，此時就需要使用較為復雜的時間序列模型。對于電子商務銷售量預測，股市行情預測等眾多場景，時間序列是重要的分析利器，各種股市指標，平均線，都可以在時間序列里找到其統計學背景和依據。由于時間序列分析技術的復雜性，我們在基礎課程里幾乎沒有涉及此項內容，現在開設本門課程的目的，就是以金融數據分析作為背景場景，用來剖析此項建模方法的細節和應用場景，由于金融場景對于大部分人來說都比其它場景案例更易于理解，因此 時間序列+金融數據分析 這兩者結合，可謂雙劍合璧，更容易達到舉一反三的效果。即使本身并非從事金融領域或者將來并無興趣從事量化投資工作的朋友，也可以在本課程里獲益，達到熟練掌握時間序列分析手段的課程目標。
【課程內容】
第1課 金融數據分析和量化投資、時間序列、統計學的基本概念
第2課 金融時間序列的基本性質 均值、方差、自相關性、平穩性、隨機性
第3課 人生就像心電圖有高有低——平穩時間序列模型 AR、MA及ARMA模型簡介
第4課 房價具有上漲趨勢，只漲不跌——確定趨勢建模 通過傳統回歸方法估計非常數均值趨勢模型的參數
第5課 不同季節人們的消費習慣也不一樣——季節模型 針對具有一定循環或周期性的數據
第6課 并非所有事情都會一帆風順——非平穩時間序列分析 通過差分平穩化構建的ARIMA模型
第7課 實踐是檢驗真理的唯一標準——應用實例與模型比較 通過實際的金融數據分析實例來熟悉各個，并比較各個模型的優劣
第8課 資產收益波動率并非是一個常數——條件異方差模型及應用 討論用來描述資產收益率的波動率隨時間而改變的各種經濟計量模型
第9課 非線性是常態——金融時間序列的非線性模型及其應用 介紹非線性模型的檢驗與各種非線性時間序列的數學模型及其在金融中的應用
第10課 進軍多維世界——多元時間序列分析 介紹簡單的多元模型和協整的相關知識
第11課 大道至簡——多元時間序列分析的簡化與降維 主成分分析與因子模型
第12課 靜止是相對的，運動是絕對的——動態數據的狀態空間模型和Kalman濾波的簡介
第13課 時間序列的最新發展——馬爾可夫鏈特卡羅方法
