时间序列数据，顾名思义，就是按时间顺序收集起来的数据。与独立截面数据不同，时间序列数据在时间上的顺序决定其自身具有时间相依性（temporal dependence），因此对独立数据的统计推断方法不能直接应用于时间序列分析。时间序列数据广泛存在于现实世界的各个领域，如全球月平均温度、股票日收盘价格、太阳黑子的年均个数、河流的月均水位高度、测量脑部活动的功能性磁共振成像(fMRI)数据等。掌握时间序列分析方法对理解这些数据的生成过程非常重要。时间序列分析的目的有两层：第一层，通过历史数据展现出来的经验特征(empirical characters),建立合适的时间序列模型，用模型解释隐藏在数据背后的生成机制（也称样本内拟合）；第二层，根据建立起来的模型，预测未来（样本外预测）。相比第一个层面，第二层面的挑战更大，不确定性也更多。
在商业银行、政府统计部门以及一些私人投资机构中，时间序列数据占主导地位，因此对毕业后想在这些部门任职的学生来说，掌握时间序列分析和预测的基本能力至关重要。同时通过这门课的学习，也可以为该领域相关高阶课程，如非参数时间序列分析、机器学习算法在时间序列中的应用等打下前期基础。
01 时间序列简介
1.1 课程介绍
1.2 时间序列R程序简介
第一章作业
第一章测验
02 基本概念
2.1 自协方差函数、自相关函数和平稳性
2.2 时间序列的一般分解模式
第二章测验
第二章作业
03 线性时间序列模型的概率性质
3.1 自回归(AR)模型
3.2 滑动平均(MA)模型
3.3 自回归滑动平均(ARMA)模型
第三章测验
第三章作业
04 时间序列建模的一般步骤
4.1 模型设定
4.2 参数估计
4.3 模型检验和模型选择
第四章测验
第四章作业
05 预测
5.1 点预测
5.2 区间预测
第五章测验
06 季节效应
6.1 季节AR模型
6.2 季节MA模型和乘积季节模型
第六章作业
第六章测验
07 非平稳
7.1 非平稳ARIMA
7.2 非平稳季节ARIMA
7.3伪回归
第七章作业
第七章测验
08 波动异质模型
8.1 波动率简介
8.2 自回归条件异方差（ARCH）模型
8.3 GARCH模型及GARCH族延申模型
第八章作业
第八章测验
09 平稳多维时间序列
9.1 多维平稳性和交叉相关矩阵
9.2 向量自回归模型
9.3 脉冲响应函数和方差分解
第九章测验
10 案例分析
10.1 全球平均气温异常值拟合与预测
10.2 股票市场波动率建模和预测
10.3 不同国家GDP增长率的建模和分析
11 时间序列Python介绍
11.1 python基础
11.2 时间序列常用python包
11.3 案例一：全球平均气温建模和预测
11.4 案例二：股票市场波动率建模和预测
11.5 案例三：不同国家GDP增长率建模分析