时间序列模型

《时间序列模型》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、时间序列模型一、分类①按所研究的对象的多少分，有一元时间序列和多元时间序列。②按时间的连续性可将时间序列分为离散时间序列和连续时间序列两种。③按序列的统计特性分，有平稳时间序列和非平稳时间序列。狭义时间序列：如果一个时间序列的概率分布与时间t无关。广义时间序列：如果序列的一、二阶矩存在，而且对任意时刻t满足均值为常数和协方差为时间间隔τ的函数。（下文主要研究的是广义时间序列）。④按时间序列的分布规律来分，有高斯型时间序列和非高斯型时间序列。二、确定性时间序列分析方法概述时间序列预测技术就是通过对预测目标自身时间序列的处理，来研究其变化趋势的。一个时间序列往往是以下几类变化形式的叠

2、加或耦合。①长期趋势变动：它是指时间序列朝着一定的方向持续上升或下降，或停留在某一水平上的倾向，它反映了客观事物的主要变化趋势。通常用Tt表示。②季节变动：通常用St表示。③循环变动：通常是指周期为一年以上，由非季节因素引起的涨落起伏波形相似的波动。通常用Ct表示。④不规则变动。通常它分为突然变动和随机变动。通常用Rt表示。也称随机干扰项。常见的时间序列模型：⑴加法模型：yt=St+Tt+Ct+Rt；⑵乘法模型：yt=St·Tt·Ct·Rt；⑶混合模型：yt=St·Tt+Rt；yt=St+Tt·Ct·Rt；Rt2这三个模型中yt表示观测目标的观测记录，ERt=0,ERt2=σ2如

3、果在预测时间范围以内，无突然变动且随机变动的方差σ2较小，并且有理由认为过去和现在的演变趋势将继续发展到未来时，可用一些经验方法进行预测。三、移动平均法当时间序列的数值由于受周期变动和不规则变动的影响，起伏较大，不易显示出发展趋势时，可用移动平均法，消除这些因素的影响，分析、预测序列的长期趋势。移动平均法有简单移动平均法，加权移动平均法，趋势移动平均法等。3.1、简单移动平均法当预测目标的基本趋势是在某一水平上下波动时，可用一次简单移动平均方法建立预测模型：其预测目标的标准差为：当然我们还可以得到如下递推关系：N的选取方式:①一般N取值范围：5≤N≤200。当历史序列的基本趋势变

4、化不大且序列中随机变动成分较多时，N的取值应较大一些。否则N的取值应小一些。②选择不同的N比较若干模型的预测误差，预测标准误差最小者为最好。3.2、加权移动平均法在简单移动平均公式中，每期数据在求平均时的作用是等同的。但是，每期数据所包含的信息量不一样，近期数据包含着更多关于未来情况的信心。因此，把各期数据等同看待是不尽合理的，应考虑各期数据的重要性，对近期数据给予较大的权重，这就是加权移动平均法的基本思想。其中wi为yt-i+1权数，体现了相应的yt在加权平均数中的重要性。在加权移动平均法中，的选择，wi同样具有一定的经验性。一般的原则是：近期数据的权数大，远期数据的权数小。至

5、于大到什么程度和小到什么程度，则需要按照预测者对序列的了解和分析来确定。3.3、趋势移动平均法简单移动平均法和加权移动平均法，在时间序列没有明显的趋势变动时，能够准确反映实际情况。但当时间序列出现直线增加或减少的变动趋势时，用简单移动平均法和加权移动平均法来预测就会出现滞后偏差。因此，需要进行修正，修正的方法是作二次移动平均，利用移动平均滞后偏差的规律来建立直线趋势的预测模型。这就是趋势移动平均法。一次移动的平均数为二次移动的平均数为下面讨论如何利用移动平均的滞后偏差建立直线趋势预测模型:设时间序列{yt}从某时期开始具有直线趋势，且认为未来时期也按此直线趋势变化，则可设此直线趋

6、势预测模型为其中t为当前时期数；T为由t至预测期的时期数；at为截距，bt为系数，两者均称为平滑系数。可以推算出：趋势移动平均法对于同时存在直线趋势与周期波动的序列，是一种既能反映趋势变化，又可以有效地分离出来周期变动的方法。四、指数平滑法一次移动平均实际上认为最近N期数据对未来值影响相同，都加权1N；而N期以前的数据对未来值没有影响，加权为0。但是，二次及更高次移动平均数的权数却不是1N，且次数越高，权数的结构越复杂，但永远保持对称的权数，即两端项权数小，中间项权数大，不符合一般系统的动态性。一般说来历史数据对未来值的影响是随时间间隔的增长而递减的。所以，更切合实际的方法应是对

7、各期观测值依时间顺序进行加权平均作为预测值。指数平滑法可满足这一要求，而且具有简单的递推形式。指数平滑法根据平滑次数的不同，又分为一次指数平滑法、二次指数平滑法和三次指数平滑法等，分别介绍如下：4.1、一次指数平滑法其中α为加权系数。预测模型为：即也就是以第t期指数平滑值作为t+1期预测值。如何选择加权系数α?具体如何选择一般可遵循下列原则：①如果时间序列波动不大，比较平稳，则α应取小一点，如（0.1～0.5）。以减少修正幅度，使预测模型能包含较长时间序列的信息；②如果时间序列具