Optiver是全球顶尖的量化交易公司。10个月前，Optiver在Kaggle上面办的一场预测股票市场波动率的比赛。
这场比赛吸引了超过3800支队伍参加，其中相当一部分选手梦想着训出一个模型、指导购买股票、一夜暴富，迎娶白富美走上人生巅峰。
然后当然是没有然后的。
这场比赛的落地场景——金融量化正是时间序列预测应用最广泛的领域之一。并且随着机器学习和深度学习算法地更广泛应用，时间序列预测的落地场景越来越多，比如供应链、零售、交通等等等等。
广义线性模型，xgboost等机器学习方法，LSTM，CNN，Transformer等深度学习方法都可以用于时间序列预测
传统统计学方法比如ARIMA, ETS, GARCH等，尽管不需要大量样本数据即可构建模型，但需要从业人员对时序相关的统计学有深入的理解，并且当存在非线性特征等复杂情况时，需要进行手工特殊处理，不利于规模化预测。
机器学习&深度学习尽管存在模型可解释性差、需要大量样本数据训练模型等劣势，但是这种劣势对于有着海量数据、对自动化和准确性的要求大于可解释性的工业和商业领域来说，算不上什么缺点。
01 金融领域
企业现金流预测、金融量化
02 IT领域
智能运维异常检测等
03 零售定价
航班定价、电影票定价
04 供应链
人员排班计划、生产排程计划
直播预告
8月19日-8月20日、时序算法专家YY，直播分享——
01 时间序列预测概论（8月19日）
时间序列预测及其应用场景
时间序列预测所需知识和技能储备
如何分析时间序列的特点
02 时间序列预测算法入门（8月20日）
Prophet算法原理介绍
Prophet算法代码实践
扫码支付0.1元预约直播
直播结束后提供课件&代码数据集
01 综述
Time-series forecasting with deep learning a survey(2021)
02 GNN用于时序预测
Spatio-temporal graph convolutional networks-a deep learning framework for traffic forecasting（2017）
03 多层级时序预测
Optimal combination forecasts for hierarchical time series(2011)
Simultaneously Reconciled Quantile Forecasting of Hierarchically Related Time Series(2021)
04 RNN用于时序预测
Deep AR-Probabilistic Forecasting with Autoregressive Recurrent Networks（2017）
Deep and Confident Prediction for Time Series at Uber(2017)
05 具体领域的时序预测
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用于时序预测
Probabilistic forecasting with temporal convolutional neural network（2020）
A Multi-Horizon Quantile Recurrent Forecaster(2017)
07 ML算法用于时序预测
Fast and scalable Gaussian process modeling with applications to astronomical time series（2017）
Forecasting at Scale(2017)
08 传统统计学与深度学习结合
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用于时序预测
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 时序领域的数据增强
Improving the Accuracy of Global Forecasting Models using Time Series Data Augmentation（2020）
直播预告
8月19日-8月20日、时序算法专家YY，直播分享——
01 时间序列预测概论（8月19日）
时间序列预测及其应用场景
时间序列预测所需知识和技能储备
如何分析时间序列的特点
02 时间序列预测算法入门（8月20日）
Prophet算法原理介绍
Prophet算法代码实践
扫码支付0.1元预约直播
直播结束后提供课件&代码数据集
