序
這幾年的數位革命風潮，造成機器／深度學習的資料演算法普及，也對既有的統計預測有了相當的影響，因應這個趨勢，中研院蔡瑞胸院士2021年也出版了一本書(Pena and Tsay, 2021, Statistical Learning for Big Dependent Data)，蔡士的重點就在於時間序列預測在機器學習的資料驅動架構下，可以如何使用以及預測表現如何。這幾年，我也接了兩個政府機構的機器學習委託案，分別處理經濟成長和景氣循環的預測。趁著執行委託案的機會，我也將應用機器學習於時間序列預測的相關技術問題，做了整理與克服，例如：多步（動態）預測的產生在一般程式中沒有，既定程式(Python or R) 多是橫斷面資料預測的延伸使用，所以，到了時間序列，就只是單步（靜態）預測。因應這些問題，結案後，就順勢產生了R 套件iForecast，迄今已經多次改版。除了可以學習程式細節，同時也可以簡單透過套件使用這些方法。套件會與時俱進，因此，讀者追蹤iForecast 套件，或許是最好的方法。
面對機器學習，統計顯得更重要；面對財經時間序列，計量經濟學也更重要。因此，將整體學習所需要的一些內容做了整理與觀念釐清後，就出版了這本書。這本書有些主題會比較進階，例如：第3 章第3 節討論到Rabinowicz and Rosset (2022) 刊登在JASA 的論文，也用模擬說明了這篇研究對時間序列的意義；在深度學習很紅的循環神經網路(RNN, Recurrent Neural Network) 之LSTM 方法，是屬於比較典型的資訊演算，我們也納入介紹。因此，內容若干主題，可依照背景自行斟酌學習。
時間序列預測對產業有很多意義，例如：股市波動、失業與通膨等等，時間序列不似橫斷面資料，所需預測的未來往往不長，但是動態的挑戰相當嚴峻。基於模型選擇的困境，就務實的角度，將多個模型的預測加權平均組合起來，如Models Average 應該是最有效的，這也是本書建議預測實務時的作法。
最後，這本書的出版，我還是不免於俗地要感謝臺師大良好的研究環境，讓我教學之餘，可以完成這本研究型的專題著作。
何宗武
國立臺灣師範大學管理學院
全球經營與策略研究所
2022/7/4
