全棧工程師開發手冊 （作者：欒鵬）
python數據挖掘系列教程
時間序列中常用預測技術，一個時間序列是一組對於某一變量連續時間點或連續時段上的觀測值。參考：https://blog.csdn.net/u010414589/article/details/49622625
1. 移動平均法 (MA)
1.1. 簡單移動平均法
設有一時間序列y1,y2,…, 則按數據點的順序逐點推移求出N個數的平均數，即可得到一次移動平均數.
1.2 趨勢移動平均法
當時間序列沒有明顯的趨勢變動時，使用一次移動平均就能夠準確地反映實際情況，直接用第t週期的一次移動平均數就可預測第1t+週期之值。
時間序列出現線性變動趨勢時，用一次移動平均數來預測就會出現滯後偏差。修正的方法是在一次移動平均的基礎上再做二次移動平均，利用移動平均滯後偏差的規律找出曲線的發展方向和發展趨勢，然後才建立直線趨勢的預測模型。故稱爲趨勢移動平均法。
2. 自迴歸模型(AR)
AR模型是一種線性預測，即已知N個數據，可由模型推出第N點前面或後面的數據（設推出P點）.
本質類似於插值，其目的都是爲了增加有效數據，只是AR模型是由N點遞推，而插值是由兩點（或少數幾點）去推導多點，所以AR模型要比插值方法效果更好。
3. 自迴歸滑動平均模型(ARMA)
其建模思想可概括爲：逐漸增加模型的階數，擬合較高階模型，直到再增加模型的階數而剩餘殘差方差不再顯著減小爲止。
4. GARCH模型
迴歸模型。除去和普通迴歸模型相同的之處，GARCH對誤差的方差進行了進一步的建模。特別適用於波動性的分析和預測。