中国金融科技白皮书：时序数据挖掘历史与发展探析

本文主要介绍了时序数据挖掘在中国金融科技生态白皮书（2020年）中的重要发展，特别是在时域分析领域的历程和时间序列数据挖掘的兴起。从19世纪的遗传学研究开始，如高尔基和皮尔逊的工作，回归与相关系数的概念逐渐形成，尤尔创立的平稳线性自回归模型为时域分析奠定了基础。Yule的AR(2)和AR(4)模型，以及Slutsky的MA(h)模型，都在这一时期发展起来，逐渐替代了传统的周期图分析方法。 1938年，Wold的贡献在于离散平稳随机过程的研究，他证明了隐周期模型与线性自回归过程的关系，并确立了ARMA模型对于平稳序列的建模基础。随着统计方法的深入，1970年Box和Jenkins提出了非平稳自回归移动平均（ARIMA）模型，以及完整的建模、估计、检验和控制方法，极大地推动了时间序列理论和实践的发展。 进入20世纪90年代，时间序列数据挖掘(TSDM)崭露头角，其研究领域广泛，涵盖了模式表示、相似性度量、分类、聚类、模式发现、预测和可视化等多个方面。时间序列的模式表示旨在解决高维、复杂和噪声大带来的挑战，通过在新层次上重新组织数据，提高挖掘算法的精度和可靠性。 时间序列分析的核心概念包括时间序列的定义，如观测值随时间顺序排列的集合，其特点如相关性、趋势性、季节性和随机性等。根据稳定性，可分为平稳序列和非平稳序列，前者如基本无趋势波动，后者则可能包含趋势、季节和周期性变化。时序分析的目的包括系统描述、预测和干预决策。 时间序列分析的内容包括分析样本以识别动态过程特征，选择最佳数学模型，估计参数，并进行预测。数据特性方面，时间序列既具有内在周期性，又包含确定性和不确定性，而数据属性则涉及定性、定量、空间和非空间等多种类型。 时序数据挖掘的发展反映了科技的进步和统计学的深化，它不仅限于基础的统计分析，还扩展到数据挖掘技术，成为理解和预测复杂系统行为的重要工具。从描述性分析到现代的深度学习方法，时序分析领域不断演进，为金融科技生态提供了强大的数据分析支持。