正在播放课程的免费体验部分，购买后可完整学习哦！
- 章节1课程介绍与销售基本概念
- 课时1课程涵盖的内容
- 章节2设置编程环境
- 课时1设置编程环境
- 课时2为什么选择Python和Jupyter
- 课时3安装Anaconda
- 课时4Jupyter的控制面板（一）
- 课时5Jupyter控制面板（二）
- 课时6安装必要的软件包
- 章节3介绍Python时间序列
- 课时1介绍时间序列数据
- 课时2时间序列数据的符号
- 课时3时间序列数据的特点
- 课时4载入数据
- 课时5检测数据
- 课时6绘制数据
- 课时7QQ图
- 章节4用Python创建一个时间序列对象
- 课时1将字符串输入转换为日期时间值
- 课时2使用日期作为索引
- 课时3设置频率
- 课时4填充缺失值
- 课时5添加和删除数据帧中的列
- 课时6拆分数据
- 章节5Python 时间序列
- 课时1白噪声
- 课时2随机游走
- 课时3平稳性
- 课时4确定弱形式平稳性
- 课时5季节性
- 课时6过去值与现时值的相关性
- 课时7自相关函数（ACF）
- 课时8偏自相关函数（PACF）
- 章节6选择正确的模型
- 课时1选择正确的模型
- 章节7自回归模型（AR）
- 课时1自回归模型
- 课时2检查价格的ACF和PACF图
- 课时3指数价格的AR 1模型拟合
- 课时4价格的高滞后AR模型拟合
- 课时5使用回报率
- 课时6检查回报率的ACF和PACF图
- 课时7回报率的AR 1模型拟合
- 课时8回报率的高滞后AR模型拟合
- 课时9值的规范化
- 课时10规范回报率的模型选择
- 课时11检查AR模型的残差
- 课时12过去时段的意外冲击
- 章节8移动平均模型（MA）
- 课时1滑动平均（MA）模型
- 课时2回报率的MA 1模型拟合
- 课时3回报率的高滞后MA模型拟合
- 课时4检查回报率的MA模型残差
- 课时5规范化回报率的模型选择
- 课时6价格的MA 1模型拟合
- 课时7过去值与过去误差
- 章节9自回归滑动平均模型（ARMA)
- 课时1自回归滑动平均模型（ARMA)
- 课时2回报率的简单ARMA模型拟合
- 课时3回报率的高滞后ARMA模型拟合（一）
- 课时4回报率的高滞后ARMA模型拟合（二）
- 课时5回报率的高滞后ARMA模型拟合（三）
- 课时6检查回报率的ARMA模型残差
- 课时7价格的ARMA模型
- 课时8ARMA模型和非平稳数据
- 章节10整合滑动平均自回归模型（ARIMA)
- 课时1整合滑动平均自回归模型（ARIMA）
- 课时2价格的简单ARIMA模型拟合
- 课时3价格的高滞后ARIMA模型拟合（一）
- 课时4价格的高滞后ARIMA模型拟合（二）
- 课时5高程度整合
- 课时6使用ARIMA模型来预测回报率
- 课时7外部因素和ARIMAX模型
- 课时8预测平稳性
- 章节11自回归条件异方差模型（ARCH）
- 课时1自回归条件异方差模型（ARCH）
- 课时2波动率
- 课时3仔细观察ARCH模型
- 课时4arch_model方法
- 课时5简单ARCH模型
- 课时6高滞后ARCH模型
- 课时7等价于ARCH模型的ARMA模型
- 章节12广义自回归条件异方差模型（GARCH)
- 课时1GARCH模型
- 课时2ARMA模型和GARCH模型
- 课时3简单GARCH模型
- 课时4高滞后GARCH模型
- 课时5建模的主要目的