一，朴素模型NaiveModel：

直接用最近的观测值来预测下一期的预测值，可以是简单朴素也可以是季节性朴素还可以是年份朴素

二，60日简单移动平均SMA（simple move average）：

使用过去60个观测值的算数平均数作为下一期的预测值

三，线性回归，

线性关系，最小二乘法来拟合，loss不断变小就行

四，ARIMA模型（AutoRegressive Integrated Move Average）

我们通过Integrated来进行差分获得平稳的数据。

通过ARMA模型来预测这个平稳的变化量。

把预测的变化量累加（积分）还原成未来的原始数据。

p是AR自回归的阶数，比如说2阶就是t的数据和t-1以及t-2都一致

d是差分次数，比如100 102 105 109 一阶之后就是2 3 4 后面二阶就是1 1 就发现其实是变得稳定了

q是ma的阶数是误差的考虑阶数

总的来说就是，I来差分，得到稳定的数值

之后AR和MA结合，AR负责过去的真实值来预测未来，MA来表示过去的预测的误差来预测未来，

AR表示过去的趋势，MA来表示过去预测的好坏的趋势，好比黄金一直增长，AR是这个增长，MA是我们之前预测的黄金的价格的误差的变化。

五，长短期记忆神经网络LSTM（Long Short-Term Memory）

1，通过输入门I输出门O遗忘门F来叠加前面的每一个过程，从而起到长短期记忆的能力

2，当前时刻的状态x在一定的转换可以得到F,O,I，得到之后呢其中F和上次的输出记忆信息Ct-1结合，之后和输入I得到的结果相加，相加得到这个时刻的记忆信息Ct，然后呢这个记忆信息再和输出门结合得到下一时刻的状态X

3，LSTM把记忆的部分存储起来了，这样可以一下调用，而RNN只是在状态上做了叠加这样要是想得到远的语义关联的话需要很多次反向传播可能会梯度爆炸或者消失