← 時系列分析 一覧

🎓 時系列分析・予測 体系テキスト（全体ハブ）

時系列分析・予測テキスト 全体目次

「過去が未来に効く（依存のある）データ」を、予測と不確実性まで体系化します。定常性・自己相関 → ARIMA → 指数平滑 → 状態空間/カルマン → 多変量 → ボラティリティ → ベイズ時系列 → 機械学習予測までを、数理的裏付けと**真の構造を仕込んだ擬似系列での実証（パラメータの復元・予測の評価）**で進めます。各ノートには、コピペで動く Python コードと出力の解釈を添えます。

章別目次

1. 第1章 時系列の基礎 — 分解・定常性・ACF/PACF・単位根・評価指標と時系列CV
2. 第2章 ARIMA系モデル — AR/MA・ARMA/ARIMA・SARIMA・モデル選択と残差診断
3. 第3章 指数平滑と分解 — SES/Holt/Holt-Winters・ETSと状態空間・STL分解
4. 第4章 状態空間とカルマンフィルタ — 状態空間の枠組み・カルマンフィルタ・ローカルレベル/トレンド・平滑化と欠測補間
5. 第5章 多変量時系列 — VAR（ベクトル自己回帰）・グレンジャー因果・共和分とVECM
6. 第6章 ボラティリティ — ARCH/GARCH・ボラティリティクラスタリングと予測
7. 第7章 ベイズ時系列 — ベイズ構造時系列・状態空間のMCMC・Prophet
8. 第8章 機械学習予測 — ラグ特徴と木モデル・系列モデルとニューラル予測・バックテストと予測の評価

統計・ベイズ・機械学習・因果サイトとの関係

時系列は統計・ベイズ・機械学習の上に立ちます。重複させず wikilink で参照します。確率過程の土台は統計検定テキストの第8章、状態空間のベイズ推定はベイズ統計テキストのMCMC・状態空間、系列の深層モデルは機械学習テキストのRNN/LSTM、予測的因果は因果推論テキストのグレンジャー因果と地続きです。時系列側では「自己相関のモデル化・予測区間・時系列での検証（バックテスト）」を、擬似系列で確かめながら深めます。