该技能适用于包括分类、回归、聚类、预测、异常检测、分割和相似性搜索在内的时序机器学习任务。当处理时间数据、序列模式或需要超越标准机器学习方法的专用算法的时间索引观测值时，请使用此技能。特别适用于单变量和多变量时间序列分析，并支持与scikit-learn兼容的API。

查询FRED（美联储经济数据）API，获取来自100多个来源的80多万条经济时间序列数据。访问国内生产总值、失业率、通货膨胀率、利率、汇率、房地产及区域数据，适用于宏观经济学分析、金融研究、政策研究、经济预测以及需要美国和国际经济指标的学术研究。

查询金融研究办公室（OFR）对冲基金监测API，获取对冲基金数据，包括SEC PF表格的聚合统计、商品期货交易委员会（CFTC）金融期货交易者数据、FICC支持的回购交易量以及美联储SCOOS交易商融资条款。获取对冲基金规模、杠杆率、交易对手、流动性、复杂性和风险管理的时间序列数据。无需API密钥或注册。适用于处理对冲基金数据、系统性风险监控、金融稳定研究、对冲基金杠杆或杠杆比率、交易对手集中度、PF表格统计、回购市场数据或OFR金融研究数据。

Python 的统计模型库。当您需要特定模型类别（如 OLS、GLM、混合模型、ARIMA）并附带详细诊断、残差和推断时使用。最适合计量经济学、时间序列分析以及带有系数表格的严谨推断。如需在 APA 报告格式下进行引导式统计检验选择，请使用 statistical-analysis。

使用 Google 的 TimesFM 基础模型进行零样本时间序列预测。无需训练自定义模型，即可对任何单变量时间序列（如销售、传感器、能源、生命体征、天气）进行预测。支持 CSV/DataFrame/数组输入，提供点预测和预测区间。包含预运行系统检查脚本，可在首次使用前验证内存和 GPU 状态。