概念自回归积分滑动平均模型
ARIMA
经典时间序列预测模型，通过自回归、差分和滑动平均三个组件捕捉数据中的趋势、季节性和周期性模式
时间轴 (近 90 天)
10月15日
经典时间序列模型包括ARIMA（自回归积分滑动平均）和指数平滑法（如Holt-Winters），它们擅长捕捉趋势、季节性和周期性。
待验证50%
9月21日
Holt-Winters三重指数平滑同时考虑趋势和季节性，相比ARIMA参数更少、更易解释、对小样本更友好
待验证50%
9月5日
ARIMA是自20世纪70年代起广泛应用的时间序列预测经典统计方法，组合自回归、差分和移动平均三部分
待验证50%
9月5日
传统时间序列预测方法(如ARIMA、指数平滑)需要人工进行大量特征工程和参数调优,难以捕捉复杂的非线性模式
待验证50%
9月1日
GARCH 模型专门处理金融数据中常见的波动率聚集现象（大波动之后倾向于跟随大波动）
待验证50%
8月28日
时间序列模型选择范围包括ARIMA、Prophet、LightGBM以及基于Transformer的深度学习架构
待验证50%
全部知识事实 (6)
待验证
经典时间序列模型包括ARIMA（自回归积分滑动平均）和指数平滑法（如Holt-Winters），它们擅长捕捉趋势、季节性和周期性。
50%待验证Holt-Winters三重指数平滑同时考虑趋势和季节性，相比ARIMA参数更少、更易解释、对小样本更友好
50%待验证ARIMA是自20世纪70年代起广泛应用的时间序列预测经典统计方法，组合自回归、差分和移动平均三部分
50%待验证传统时间序列预测方法(如ARIMA、指数平滑)需要人工进行大量特征工程和参数调优,难以捕捉复杂的非线性模式
50%待验证GARCH 模型专门处理金融数据中常见的波动率聚集现象（大波动之后倾向于跟随大波动）
50%待验证时间序列模型选择范围包括ARIMA、Prophet、LightGBM以及基于Transformer的深度学习架构
50%