如果你想检查股票数据中的异常，许多研究都使用线性回归。假设你想检查是否有星期一的影响，这意味着星期一比其他日子糟糕得多。我知道我们可以使用这样的回归：return=a+b DummyMon+ea是常数，b是回归系数，我们有星期一的Dummy和误差项e。这就是我在python中使用的：首先，在异常中添加一个常量：
anomaly = sm.add_constant(anomaly)
然后构建模型：
model = sm.OLS(return, anomaly)
您适合的型号：
results = model.fit()
- 我想知道这是否是正确的模型设置
- 在这种情况下，线性回归图将只显示两个垂直区域，分别高于0(对于非星期一(和1(对于星期一(，并显示所有回报。它看起来很奇怪。这是正确的吗
- 我应该以某种方式尝试在回归中使用时间(t(吗？如果是，我该如何使用python？我想过给每次约会增加一个数字，但后来我想知道如何对待周末
- 我假设，对于许多数据点，如果时间序列是平稳的，两种方法都是相似的，对吧？最后，我做了一个横截面分析，在这种情况下不关心时间序列的方面，对吗？(我听说了GARCH模型等，这是不同的(
嗯，我只是在学习，希望有人能给我一些关于这个话题的想法。事先非常感谢。
对于时间序列分析任务(如预测或异常检测(，您可能需要更高级的模型，如深度学习中的递归神经网络(RNN(。您可以将任何时间步长分配给RNN小区，在您的情况下，每个RNN小区可以代表一天，也可以代表一小时或半天等。
RNN的主要目的是使模型了解数据中的时间相关性。例如，如果星期一影响不好，那么相应的RNN小区将具有合理的参数。我建议你对此做一些进一步的研究。这里有一些文件可能会有所帮助：
https://colah.github.io/posts/2015-08-Understanding-LSTMs/(还包括不同类型的RNN(
https://towardsdatascience.com/understanding-rnn-and-lstm-f7cdf6dfc14e
您可以使用tensorflow、keras或PyTorch库。