#sdsc6012 #course information

English / 中文

课程概览

课程代码: SDSC6012
课程名称: 时间序列与循环神经网络 (Time Series and Recurrent Neural Networks)
学年/学期: 2024/25 第一学期
授课教师: Prof 王琳琳
邮箱: (待公布)
办公室: (待公布)

  • 授课时间: (待公布)

  • 答疑时间: (待公布)

  • 教学模式: 面授

  • 助教: (待公布)

课程简介

在宏观经济学及商业、科学与工程的其他领域，大量数据以时间序列数据集的形式存在。本课程将使学生掌握分析此类数据的统计工具，并使用 R 软件将其应用于解决现实问题。学生将回顾基本的随机过程和时间序列概念，进而扩展至 ARMA 模型、估计方法、预测特性以及用于波动性建模的 GARCH 模型。课程还将介绍用于时间序列预测的循环神经网络。整个课程强调实践，使用 R 进行动手数据分析。

考核方式

组成部分 权重 详情
测验 (Test) 25% 评估对时间序列统计方法和循环神经网络的概念描述。闭卷。
作业 (Assignments) 25% 评估使用 R 进行时间序列分析、结果解释和呈现的能力。允许使用生成式AI。
期末考试 (Final Examination) 50% 2小时考试，覆盖所有课程学习成果，重点考察对技术的概念描述和正确应用。闭卷。最低及格要求：考试成绩的30%。

课程预期学习成果 (CILOs)

  1. 描述 适用于时间序列数据的 AR、MA、ARMA、ARCH、GARCH 模型以及循环神经网络。（20%）

  2. 应用 时间序列模型，使用 R 分析真实数据。（20%）

  3. 解释 时间序列模型的模型选择标准。（20%）

  4. 应用 相关模型，使用 R 进行时间序列预测。（20%）

  5. 应用 循环神经网络预测时间序列数据。（20%）

学习与教学活动 (LTAs)

类型 简要说明 对应的CILOs 学时
讲座 (Lectures) 主要通过讲座、小型讲座和小组练习进行学习，以巩固概念理解和应用。 1, 2, 3, 4, 5 26 小时/学期
辅导练习 (Tutorial Exercises) 基于团队的练习，通过实际问题解决来讨论和应用所学的统计工具。 2, 4, 5 13 小时/学期

关键词 syllabus

  • 自回归 (AR)、移动平均 (MA)、自回归移动平均 (ARMA) 模型

  • 参数估计

  • 模型选择标准

  • 预测特性

  • 使用 ARCH 和 GARCH 建模波动率

  • 人工神经网络

  • 循环神经网络 (RNN)

  • 长短期记忆网络 (LSTM)

阅读书目

必读:

  1. Shumway, R. H., & Stoffer, D. S. (2017). Time Series Analysis and Its Applications: with R examples. Springer.

  2. Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press.

补充阅读:

  1. Brockwell, P. J., & Davis, R. A. (2016). Introduction to Time Series and Forecasting. Springer.

  2. Chollet, F., & Allaire, J. J. (2018). Deep Learning with R. Manning Publications.