Chapter 1 시계열분석
1.1 시계열자료의 형태
1.2 시계열자료의 표본구성
1.3 내용정리
1.4 시계열분석을 위한 라이브러리

Part 1 통계적 시계열 모형

Chapter 2 단순시계열 모형
2.1 Naive 예측모형
2.2 Naive 모형의 적용

Chapter 3 시계열 분해와 Exponential Smoothing
3.1 고전적 시계열 분해
3.2 Exponential smoothing

Chapter 4 ETS 모형
4.1 ETS 모형의 모수추정
4.2 ETS 모형의 선택과 예측
4.3 ETS 모형의 적용

Chapter 5 Theta 모형
5.1 Theta 모형의 구조
5.2 Theta 모형의 적용

Chapter 6 ARIMA 모형과 VARIMA 모형
6.1 ARIMA 모형
6.2 SARIMA 모형
6.3 SARIMA 모형의 설정, 모수추정, 그리고 예측
6.4 Automatic ARIMA와 ARIMA 모형의 분석 절차
6.5 SARIMA 모형의 적용
6.6 VARIMA 모형

Chapter 7 BATS와 TBATS
7.1 BATS 모형
7.2 TBATS 모형
7.3 BATS와 TBATS의 적용과 응용

Chapter 8 Kalman Filter
8.1 Kalman Filter의 이해
8.2 Linear Projection
8.3 Kalman Filter의 유도
8.4 Kalman Filter의 모수추정과 예측

Part 2 혼합형 시계열 모형

Chapter 9 AR-NET과 Conformal interval
9.1 AR-NET
9.2 Conformal interval

Chapter 10 Neural Prophet
10.1 추세
10.2 계절성
10.3 자기회귀모형과 과거공변량 회귀모형
10.4 미래공변량 회귀와 event 및 holiday 효과
10.5 Neural Prophet의 손실함수, 규제화, 그리고 자료사전정리 과정
10.6 global 모형과 local 모형
10.7 시계열 모형의 교차검증과 예측
10.8 Conformal 구간 추정

Part 3 머신러닝 및 딥러닝 시계열 모형

Chapter 11 Local 모형과 Global 모형
11.1 다중 시계열의 구조와 global 시계열 모형
11.2 다변량 시계열과 다중 시계열
11.3 회귀모형을 이용한 시계열 예측

Chapter 12 앙상블러닝을 이용한 시계열 분석
12.1 앙상블러닝을 기반한 시계열 분석

Chapter 13 N-BEATS와 N-HiTS
13.1 N-BEATS
13.2 N-HiTS
13.3 N-BEATS와 N-HiTS의 적용

Chapter 14 RNN을 이용한 시계열 예측
14.1 RNN 모형
14.2 RNN 시계열 모형의 적용

Chapter 15 TCN(Temporal Convolutional Networks)과 Transformers
15.1 TCN 시계열 모형
15.2 Transformer 시계열 모형

Chapter 16 DLinear, NLinear, 그리고 TiDE
16.1 LTSF-Linear 모형
16.2 TiDE
16.3 딥러닝 시계열 모형에서의 비정상 시계열
16.4 DLinear, NLinear, 그리고 TiDE의 적용과 응용

Chapter 17 TFT, 불변공변량, 그리고 설명가능성
17.1 TFT의 구조
17.2 TFT의 적용과 응용
17.3 불변공변량을 이용한 조건부 global 모형
17.4 TFT의 설명 가능성

Chapter 18 확률적 예측
18.1 확률적 예측
18.2 딥러닝 모형에서의 확률적 예측
18.3 Darts를 이용한 probabilistic forecast

Chapter 19 딥러닝 다변량 및 다중 시계열 모형
19.1 딥러닝 시계열 모형을 이용한 다중 시계열 및 다변량 시계열 분석
19.2 코스피, 코스닥 예측과 다변량 시계열 예측

Chapter20 DTW를 이용한 시계열의 군집과 주가예측
20.1 DTW(Dynamic Time Warp)와 Warping Path
20.2 시계열의 군집과 군집의 효과
20.3 패턴 탐색에 의한 주가 예측