16.1 相关概念

       时间序列数据存在的意义即是通过过去预测未， 以下数据都属于时间序列数据：

        （1）遥感数据；

        （2）气象数据；

        （3）金融数据（股票，期货，外汇）

        （4）经济数据（GDP）

        时间序列模型即为趋势模型（Trend Model）主要包括以下两类:

        （1）线性模型（Linear Trend Model）

        （2）Log-Linear Trend Model

        那么能否在建模过程中直接带入时间数据呢？显然是不能的。

16.2 案列分析

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import matplotlib as mpl
import tushare as ts

if __name__ == '__main__':
    token = "e2aad62befd01005a6bce9947c12055478bd1906cd48f850f7c5d5a0"
    pro = ts.pro_api(token)
    df = pro.daily(ts_code="002758.SZ", start_date="20220401", end_date="20220501")
    # 将日期设置为dataframe的行索引
    df.index=pd.to_datetime(df.trade_date)
    # 获取每日的收盘价
    our_df = df.close

（1）AF(Autocovariace Function)时间序列与其滞后项的协方差：假设X为随机变量，E为数学期望，u为均值，即有：