时间序列分析预测法：指数平滑法_指数平滑法对预测结果分析-CSDN博客

本文链接：https://blog.csdn.net/DcgSoft/article/details/115932771

概述

指数平滑法是在移动平均法基础上发展起来的一种时间序列分析预测法，它是通过计算指数平滑值，配合一定的时间序列预测模型对现象的未来进行预测。其原理是任一期的指数平滑值都是本期实际观察值与前一期指数平滑值的加权平均。它是生产预测中常用的一种方法，也用于中短期经济发展趋势预测，所有的预测方法中，它是用得最多的一种。简单的全期平均法是对时间数列的过去数据一个不漏地全部加以同等利用；移动平均法则不考虑较远期的数据，而给予近期数据更大的权重；指数平滑法则兼容了全期平均和移动平均所长，不舍弃过去的数据，但是仅给予逐渐减弱的影响程度，即随着数据的远离，赋予逐渐收敛为零的权数。

指数平滑法的基本思路

预测值是以前观测值的加权和，且对不同的数据给予不同的权，新数据给较大的权，旧数据给较小的权。

指数平滑法的特点

指数平滑法对于不同时间的观察值所赋予的权数不同，加大了近期观察值的权数，使预测值能够迅速反映市场实际的变化。权数之间按等比级数减少，此基数之首项为平滑常数 $\alpha$ ，公比为 $\left ( 1-\alpha \right )$ 。

指数平滑法对于观测值所赋予的权数有伸缩性，可以取不同的 $\alpha$ 值以改变权重的变化速率，如 $\alpha$ 取小值，则权数变化较迅速，观察值的新近变化趋势能迅速反映于指数移动平均值中。因此，运用指数平滑法，可以选择不同的 $\alpha$ 值来调节时间序列观察值的均匀程度（即趋势变化的平稳程度）。

平滑常数的选择

在指数平滑法中，预测成功的关键是 $\alpha$ 值的选择，但 $\alpha$ 的取值又容易受主观影响，因此合理确定 $\alpha$ 的取值方法十分重要。一般来说， $\alpha$ 值愈大，新数据所占的比重就越大，原预测值所占比重就愈小，反之亦然。理论界一般人为有以下几种方法可供选择。

经验判断法

这种方法主要依赖于时间序列的发展趋势和预测者的经验做出判断。当时间序列呈稳定的水平趋势时， $\alpha$ 应取较小值，如0.1~0.3；当时间序列波动较大，长期趋势变化的幅度较大时， $\alpha$ 应取中间值，如0.3~0.5；当时间序列具有明显的上升或下降趋势时， $\alpha$ 应取较大值，如0.6~0.8，以使预测模型灵敏度高些，能迅速跟上数据的变化；当时间序列呈上升或下降的发展趋势时， $\alpha$ 应取较大值，如0.6~1之间。

试算法

根据具体时间序列的情况，参照经验判断法，大致确定额定的取值范围，然后取几个 $\alpha$ 值进行试算，比较不同 $\alpha$ 值下的预测标准误差，选取预测标准误差较小的 $\alpha$ 值。在实际应用中，预测者应结合对预测对象的变化规律做出定性判断且计算预测误差，要考虑到预测灵敏度和预测精度是相互矛盾的，须采用折中的 $\alpha$ 值。